Unsupervised simulation of incompressible flows with physics- and equality- constrained artificial neural networks

Este artigo apresenta uma estrutura de rede neural não supervisionada, com restrições físicas e de igualdade, que utiliza um objetivo de Poisson de pressão e um método de Lagrangiano aumentado adaptativo para simular com sucesso escoamentos incompressíveis de alto número de Reynolds sem dados rotulados, superando limitações anteriores na imposição de restrições estritas de divergência nula e condições de contorno.

O essencial

Imagine que você está tentando ensinar um robô a prever como a água flui ao redor de uma pedra ou dentro de uma caixa. Normalmente, para ensinar isso a um robô, é necessário mostrar a ele milhares de vídeos de água fluindo (dados rotulados) para que ele possa aprender por exemplo. Isso é como ensinar uma criança a andar de bicicleta mostrando a ela um milhão de vídeos de outras crianças andando.

Este artigo apresenta uma nova maneira de ensinar o robô. Em vez de mostrar vídeos, nós apenas fornecemos as regras do universo (as leis da física) e dizemos: "Descubra isso". O robô precisa aprender o fluxo puramente tentando obedecer a essas regras, sem qualquer exemplo prévio. Isso é chamado de "aprendizado não supervisionado".

No entanto, há uma pegadinha. Quando a água se move rapidamente (alta velocidade), ela se torna caótica e complicada. Tentativas anteriores de robôs aprenderem esses fluxos rápidos usando apenas regras frequentemente falhavam. Eles ficavam confusos, e a água desaparecia magicamente ou se comportava de maneiras impossíveis.

O Problema: O "Balde Vazado"

Na física, a água é incompressível, o que significa que você não pode espremê-la em um espaço menor. Se a água flui para dentro de um cômodo, uma quantidade igual deve fluir para fora. Se a previsão do seu robô não equilibrar isso perfeitamente, é como um balde com um buraco no fundo; a matemática entra em colapso.

Métodos antigos tentaram forçar o robô a seguir as regras, mas eram muito frouxos. O robô diria: "Estou principalmente seguindo as regras", e isso não era bom o suficiente para fluxos rápidos e complexos.

A Solução: Um Professor Rigoroso com um Placar Especial

Os autores construíram um novo sistema chamado PECANN. Pense nisso como um professor muito rigoroso que usa um sistema de avaliação especial.

1. O Placar (O Objetivo): Em vez de apenas pedir ao robô para seguir as regras básicas de fluxo, o professor dá a ele um teste específico e difícil de acertar: a Equação de Poisson de Pressão.

   • Analogia: Imagine que você está tentando equilibrar uma pilha de pratos. As regras básicas dizem "não deixe cair". Mas a Equação de Poisson de Pressão é como uma regra específica que diz: "A pilha deve estar perfeitamente plana, ou tudo desmorona". O principal objetivo do robô é minimizar o "balanço" dessa pilha. Se a pilha balança, o robô sabe que está errado.

2. O Professor Rigoroso (As Restrições): O robô não tem permissão para apenas chegar perto da resposta. Ele deve atingir o alvo exatamente. Os autores usam um método chamado CA-ALM (Método do Lagrangiano Aumentado Adaptativo Condicional).

   • Analogia: Imagine um robô tentando andar em uma corda bamba. Métodos antigos permitiam que o robô oscilasse um pouco e dissessem: "Isso é suficiente". Este novo método é como um treinador que grita: "Pare! Você está 1 milímetro fora! Corrija imediatamente!" O treinador ajusta a pressão nos pés do robô dinamicamente até que ele esteja perfeitamente equilibrado.

3. As Rodinhas de Treino (Viscosidade Adaptativa): Quando o robô começa a aprender fluxos rápidos, ele fica instável e pode cair. Para ajudar, os autores adicionam uma "rodinha de treino" temporária chamada Viscosidade de Entropia Desaparecente Adaptativa.

   • Analogia: Isso é como adicionar um pouco de mel à água para fazê-la fluir mais devagar e suavemente enquanto o robô aprende o básico. Assim que o robô pega o jeito, o mel é removido magicamente, e a água flui naturalmente novamente. O robô aprende o fluxo rápido sem o mel, mas o mel ajudou-o a começar.

O Que Eles Provaram?

A equipe testou esse novo sistema de "Professor Rigoroso" em três desafios famosos:

• A Tampa em Movimento (Fluxo em Cavidade): Imagine uma caixa onde a tampa superior desliza para frente e para trás, arrastando a água dentro dela. Eles testaram isso em velocidades muito altas (números de Reynolds de até 7.500).
  • Resultado: O robô previu os vórtices giratórios (redemoinhos) perfeitamente, igualando as melhores simulações computacionais tradicionais, mesmo sem ver nenhum vídeo de treinamento.
• A Torção 3D (Fluxo de Beltrami): Um fluxo tridimensional complexo e torcido que tem uma resposta matemática conhecida.
  • Resultado: O robô foi muito mais preciso do que métodos anteriores de IA, acertando a pressão e a velocidade com erro muito pequeno.
• O Cilindro (Fluxo Passando por uma Pedra): Água fluindo ao redor de um cilindro. Em certa velocidade, a água para de fluir suavemente e começa a liberar vórtices (redemoinhos) em um padrão rítmico (como uma bandeira ondulando ao vento).
  • Resultado: Este é o "santo graal". O robô começou com um palpite aleatório e espontaneamente descobriu que a água começaria a ondulá-la e a liberar redemoinhos, sem que ninguém lhe dissesse para fazer isso. Ele capturou o ritmo exato da ondulação.

A Conclusão

O artigo afirma que, ao mudar o que o robô tenta minimizar (focando no equilíbrio de pressão) e quão rigorosamente ele aplica as regras (usando o método do professor rigoroso), eles finalmente resolveram o problema de simular fluxos de água rápidos e complexos usando apenas as leis da física.

Eles fizeram isso sem usar nenhum dado pré-gravado ou "trapacear" com respostas conhecidas. O robô aprendeu o fluxo do zero, apenas tentando obedecer perfeitamente às regras da física. Este é um grande passo em direção ao uso de IA para substituir simulações computacionais tradicionais e pesadas para dinâmica de fluidos.

Resumo técnico

Resumo Técnico: Simulação Não Supervisionada de Escoamentos Incompressíveis com Redes Neurais Artificiais Restritas por Física e Igualdade

Enunciado do Problema
Embora as Redes Neurais Informadas por Física (PINNs) tenham demonstrado promessa na resolução de equações diferenciais parciais, sua aplicação a escoamentos incompressíveis, particularmente em altos números de Reynolds, tem sido limitada. Abordagens existentes frequentemente dependem de dados rotulados auxiliares, pré-treinamento supervisionado ou soluções de referência analíticas para alcançar convergência. Um método puramente não supervisionado — comparável a solucionadores convencionais de diferenças finitas ou volumes finitos em sua capacidade de impor restrições físicas rigorosas sem dados externos — não foi demonstrado com sucesso. Os autores atribuem essa lacuna à falta de um mecanismo robusto para impor a restrição de divergência nula e as condições de contorno a tolerâncias rigorosas, uma capacidade fundamental para solucionadores tradicionais de escoamentos incompressíveis.

Metodologia
O método proposto utiliza o framework de Rede Neural Artificial Restrita por Física e Igualdade (PECANN) combinado com um Método de Lagrangeano Aumentado Adaptativo Condicionalmente (CA-ALM). A inovação central reside na formulação do problema de otimização:

1. Função Objetivo Baseada na Equação de Poisson para Pressão: Diferentemente de abordagens de base que minimizam diretamente os resíduos das equações de momento, este método adota o resíduo da equação de Poisson para pressão como função objetivo ($J$). Esta função objetivo é minimizada sujeita às equações de momento, à equação de continuidade (divergência nula) e às condições de contorno/iniciais, todas impostas como restrições de igualdade rigorosas.
2. Imposição de Restrições (CA-ALM): O algoritmo CA-ALM atribui multiplicadores de Lagrange e parâmetros de penalidade independentes a cada restrição, atualizando-os adaptativamente para garantir que restrições heterogêneas (EDPs, condições de contorno, condições iniciais) sejam satisfeitas dentro de tolerâncias rigorosas.
3. Viscosidade de Entropia Desaparecente Adaptativa: Para estabilizar o treinamento em escoamentos dominados por advecção e de alto número de Reynolds, sem influenciar a solução final, é introduzida uma viscosidade de entropia desaparecente adaptativa. Esta viscosidade artificial está ativa apenas durante as etapas iniciais do treinamento e desaparece uma vez que a otimização converge, garantindo que a solução final reflita o verdadeiro número de Reynolds.
4. Arquitetura da Rede: O método emprega mapeamentos de recursos de Fourier para aprimorar a capacidade da rede de capturar componentes de alta frequência, concatenados com as entradas originais para preservar o comportamento de baixa frequência.

Principais Contribuições e Estudos de Ablação
O artigo estabelece que a escolha da função objetivo é crítica. Uma formulação de base que minimiza diretamente os resíduos das equações de momento (omitindo a equação de Poisson para pressão) provou-se ineficaz, mesmo com o mesmo mecanismo de imposição de restrições. A formulação baseada na equação de Poisson para pressão garante que tanto os campos de velocidade quanto de pressão sejam fisicamente consistentes por construção.

Além disso, o estudo identifica condições críticas para fronteiras de saída em problemas de escoamento externo. Através de estudos de ablação sobre o escoamento ao redor de um cilindro, os autores demonstram que impor a conservação global do fluxo de massa na saída é essencial para recuperar soluções físicas. Uma condição de Neumann nula no gradiente de pressão, combinada com essa restrição de fluxo de massa, produziu o melhor acordo com dados de referência.

Resultados
O método foi avaliado em vários problemas de referência sem dados rotulados ou pré-treinamento supervisionado:

• Cavidade Movida por Teto 2D (LDC): Simulações foram realizadas até $Re = 7.500$. A formulação proposta alcançou excelente acordo com dados de referência (Ghia et al., Erturk et al.), capturando vórtices de canto e perfis de velocidade com precisão. Formulações de base falharam em produzir resultados aceitáveis além de $Re = 400$.
• Escoamento de Beltrami Não Estacionário 3D: O método alcançou uma redução de ordem de grandeza no erro em comparação com resultados anteriores de NSFnets, com previsões de pressão sendo duas ordens de grandeza mais precisas.
• Escoamento ao Redor de um Cilindro Circular:
  • Estacionário ($Re=40$): O método recuperou com sucesso soluções físicas com coeficientes de arrasto correspondendo a valores da literatura, identificando a necessidade de restrições de fluxo de massa na saída.
  • Não Estacionário ($Re=100$): Utilizando uma formulação de tempo discreto com BDF2, o método capturou o início espontâneo do desprendimento periódico de vórtices (rua de von Kármán), começando a partir de uma rede inicializada aleatoriamente com velocidade inicial zero e sem perturbações externas. O número de Strouhal previsto e os coeficientes de sustentação alinharam-se estreitamente com simulações do Ansys Fluent.

Significado
O artigo afirma que este trabalho fornece o primeiro solucionador baseado em redes neurais puramente não supervisionado para escoamentos incompressíveis que rivaliza com solucionadores convencionais na imposição de restrições físicas. Ao impor rigorosamente a condição de divergência nula e as condições de contorno através de restrições de igualdade, o método supera a limitação primária das abordagens anteriores de PINN. A capacidade de capturar o desprendimento espontâneo de vórtices em escoamentos não estacionários sem perturbações externas ou dados rotulados demonstra um passo significativo em direção à dinâmica dos fluidos computacional sem malha e sem dados. Embora o custo de treinamento permaneça mais alto do que o de solucionadores convencionais, os autores sugerem que essa lacuna pode ser mitigada através de frameworks de alto desempenho e decomposição de domínio, fornecendo uma base para futuras extensões a fronteiras móveis complexas e problemas inversos.