A Hybrid Discretize-then-Project Reduced Order Model for Turbulent Flows on Collocated Grids with Data-Driven Closure

Este estudo propõe uma estrutura de modelagem de ordem reduzida híbrida para escoamentos turbulentos em malhas colocalizadas que combina uma estratégia de fluxo consistente "discretize-then-project" para conservação de massa e momento com um fechamento baseado em dados via LSTM para reconstruir com precisão a viscosidade turbulenta, alcançando um desempenho superior na captura de dinâmicas transientes em comparação com outras arquiteturas de redes neurais.

O essencial

Imagine que você esteja tentando prever como um fluido complexo e turbulento (como o vento em uma sala ou a água em um cano) se moverá. Para fazer isso perfeitamente, você precisaria de uma simulação de supercomputador que rastreasse cada minúscula partícula desse fluido. Isso é chamado de Modelo de Ordem Total (FOM - Full-Order Model). É incrivelmente preciso, mas é como tentar contar cada grão de areia em uma praia para prever a maré: leva uma eternidade e exige uma quantidade massiva de memória.

Para resolver isso, os cientistas usam Modelos de Ordem Reduzida (ROMs). Pense em um ROM como um "melhores momentos" ou um "resumo" do comportamento do fluido. Em vez de rastrear bilhões de partículas, ele rastreia apenas os padrões mais importantes (como os grandes redemoinhos) para fornecer uma resposta rápida e "boa o suficiente".

No entanto, há um problema: quando o fluido é turbulento (caótico e girando descontroladamente), esse método de "melhores momentos" geralmente falha. Ele acerta o panorama geral (velocidade e pressão), mas falha em prever a "fricção" ou a "viscosidade" da turbulência (chamada de viscosidade turbulenta) corretamente. É como ter uma previsão do tempo que prevê a velocidade do vento perfeitamente, mas erra completamente a umidade.

A Solução do Artigo: Um Trabalho em Equipe Híbrido

Os autores deste artigo criaram um novo sistema "híbrido" que combina o melhor dos dois mundos para corrigir esse problema. Eles usaram uma Cavidade Impulsionada por Tampa 3D (uma caixa onde a tampa superior desliza para frente e para trás, arrastando o fluido em seu interior) como seu caso de teste.

Aqui está como o sistema deles funciona, usando analogias simples:

1. A Equipe da "Física" (O Contador Rigoroso)

Para a velocidade do fluido (velocidade) e a pressão, a equipe usa um método chamado "Discretizar-então-Projetar" (Discretize-then-Project).

• A Analogia: Imagine que você está construindo uma casa. Você tem uma planta rigorosa (as leis da física) que garante que as paredes estejam retas e o telhado não vaze. Esta equipe segue a planta exatamente. Eles pegam a matemática complexa do fluido, reduzem-na ao tamanho do "melhores momentos", mas o fazem de uma forma que garante que o fluido não apareça ou desapareça magicamente (conservação de massa).
• O Resultado: Eles obtêm a velocidade e a pressão do fluido com muita precisão, sem precisar de "remendos" ou correções extras.

2. A Equipe "Baseada em Dados" (O Artista Intuitivo)

Para a viscosidade turbulenta (a fricção caótica), o método do "Contador Rigoroso" falha. Por isso, os autores trouxeram uma equipe Baseada em Dados.

• A Analogia: Em vez de tentar calcular o caos com uma planta rígida, eles contrataram um artista que assistiu a milhares de horas desse tipo específico de fluido girando. Este artista usa Aprendizado de Máquina (especificamente Redes Neurais) para "aprender" o padrão do caos a partir dos dados.
• A Ferramenta: Eles testaram três tipos diferentes de "artistas" (arquiteturas de Redes Neurais):
  • MLP: Um artista básico que olha para o momento atual, mas esquece o passado.
  • Transformer: Um artista que pode olhar para toda a linha do tempo de uma vez, mas pode se distrair.
  • LSTM (Long Short-Term Memory): Um artista que tem uma ótima memória. Eles lembram não apenas do que está acontecendo agora, mas do que aconteceu alguns segundos atrás. Isso é crucial porque a turbulência é uma reação em cadeia; o que acontece agora depende fortemente do que aconteceu pouco antes.

3. O Resultado Final: A Dupla Perfeita

O artigo combina essas duas equipes. O "Contador Rigoroso" cuida da velocidade e da pressão, enquanto o "Artista Intuitivo" (especificamente o modelo LSTM) prevê a fricção turbulenta.

Por que o LSTM venceu?
A turbulência é como uma fileira de dominós caindo. Se você olhar apenas para o primeiro dominó (o momento atual), não pode prever o restante. Você precisa ver a corrente de dominós caindo (o histórico). O modelo LSTM é o melhor em lembrar essa corrente de eventos.

O Resultado

Quando testaram este sistema híbrido contra a simulação de supercomputador:

• Velocidade e Pressão: O modelo foi incrivelmente preciso (apenas 0,7% de erro).
• Fricção Turbulenta: O modelo previu o caos com um erro de 4%, o que foi muito melhor do que os outros modelos de IA que testaram (que tiveram erros de até 14%).

Em Resumo

O artigo apresenta uma maneira inteligente de simular fluidos caóticos rapidamente. Eles não tentaram forçar um único método a fazer tudo. Em vez disso, usaram matemática rígida para as partes que precisam ser exatas (velocidade/pressão) e memória de IA inteligente para a parte que é caótica e difícil de calcular (turbulência).

O resultado é uma simulação rápida e precisa que captura os "redemoinhos" de um fluxo turbulento 3D sem a necessidade de um supercomputador, provando que, às vezes, a melhor maneira de resolver um problema difícil é deixar a matemática e o aprendizado de máquina fazerem o que cada um faz de melhor.

Resumo técnico

Resumo Técnico: Um Modelo de Ordem Reduzida Híbrido de Discretização-então-Projeção para Fluxos Turbulentos em Grades Colocadas com Fechamento Baseado em Dados

Definição do Problema
Simulações de Dinâmica de Fluidos Computacional (CFD) de fluxos turbulentos, particularmente aquelas envolvendo modelos de alta resolução, são frequentemente limitadas por custos computacionais e requisitos de memória proibitivos. A Modelagem de Ordem Reduzida (ROM) oferece uma estratégia para mitigar esses custos ao projetar as equações governantes em subespaços de menor dimensão. No entanto, aplicar ROMs de projeção padrão (especificamente POD-Galerkin) a fluxos turbulentos em grades de volume finito colocadas apresenta desafios significativos. Embora a estratégia "discretizar-então-projetar" garanta a conservação de massa e o acoplamento pressão-velocidade para os campos de velocidade e pressão, ela não produz resultados fisicamente consistentes quando aplicada diretamente ao campo de viscosidade turbulenta. A projeção de Galerkin intrusiva padrão não consegue resolver com precisão a evolução temporal complexa e as interações não lineares da viscosidade de eddy dentro de uma base reduzida, levando a inconsistências físicas. Além disso, grades colocadas podem sofrer de instabilidades numéricas (ex: modos de pressão checkerboard) se não forem devidamente estabilizadas, tipicamente exigindo técnicas auxiliares como interpolação de Rhie-Chow ou estabilização de pressão que complicam a formulação de ordem reduzida.

Metodologia
Os autores propõem um framework de ROM híbrido que combina o rigor matemático da projeção intrusiva com a adaptabilidade de métodos não intrusivos baseados em dados. A metodologia é estruturada da seguinte forma:

1. Modelo de Ordem Total (FOM) e Discretização:

   • As equações de Navier-Stokes incompressíveis são resolvidas utilizando uma abordagem de Simulação de Grandes Eddies (LES) com o modelo de subgrade Smagorinsky.
   • O FOM utiliza um método de volume finito (FVM) colocado em uma grade estruturada, implementado dentro do framework OpenFOAM.
   • Para abordar a estabilidade em grades colocadas sem auxílio de estabilização, o estudo emprega o método de fluxo consistente (CFM) de "discretizar-então-projetar". Esta estratégia formula os operadores diretamente no nível discreto, projetando matrizes de ordem total e contribuições de contorno sobre espaços reduzidos para garantir a consistência entre as representações de velocidade e pressão.

2. Estratégia de ROM Híbrida:

   • Caminho Intrusivo (Velocidade e Pressão): Os campos de velocidade e pressão são resolvidos usando a projeção POD-Galerkin da formulação de fluxo consistente. Isso envolve a extração de modos de Decomposição Ortogonal Própria (POD) de snapshots de alta fidelidade e a projeção dos operadores discretos (convectivos, difusivos, gradiente e Laplaciano) sobre esses modos. Este caminho garante a conservação de massa e mantém o acoplamento físico das equações de Navier-Stokes.
   • Caminho Não Intrusivo (Viscosidade Turbulenta): Reconhecendo que a projeção intrusiva falha para o campo de turbulência, a viscosidade turbulenta ($\nu_T$) é reconstruída usando um fechamento baseado em dados. Em vez de projetar a equação da viscosidade, os coeficientes temporais da viscosidade turbulenta são previstos usando redes neurais treinadas nos coeficientes temporais de velocidade e pressão.

3. Arquiteturas de Redes Neurais:

   • Três arquiteturas foram avaliadas para modelar a evolução temporal dos coeficientes de viscosidade: Perceptron Multicamadas (MLP), Transformers e Long Short-Term Memory (LSTM).
   • A arquitetura LSTM foi selecionada por sua capacidade de propagar informações ao longo de horizontes temporais estendidos, o que é crítico para capturar a natureza dependente do histórico de fluxos turbulentos não estacionários.

Principais Contribuições

• Extensão para Turbulência 3D: O trabalho estende estratégias anteriores de "discretizar-então-projetar" (previamente limitadas a fluxos laminares 2D) para configurações turbulentas tridimensionais completas, abordando a maior complexidade física e demandas computacionais.
• Fechamento Híbrido para Grades Colocadas: O artigo introduz uma nova abordagem híbrida onde a viscosidade turbulenta é tratada de forma não intrusiva via aprendizado de máquina, enquanto a velocidade e a pressão permanecem governadas pela formulação de fluxo consistente baseada em física. Isso evita a necessidade de técnicas de estabilização de pressão no nível reduzido.
• Análise Comparativa de Arquiteturas: O estudo fornece uma comparação sistemática de redes MLP, Transformer e LSTM para o fechamento de turbulência, identificando as forças específicas das arquiteturas recorrentes neste contexto.

Resultos
O framework foi validado contra uma LES 3D de uma cavidade impulsionada por tampa (cubo unitário, malha de $50 \times 50 \times 50$, $Re$ baseado na velocidade da tampa).

• Configuração do Modelo: 10 modos POD foram retidos para velocidade, pressão e viscosidade turbulenta. Os primeiros 1800 passos de tempo foram usados para treinamento, e os 200 restantes para validação.
• Métricas de Desempenho:
  • O fechamento baseado em LSTM demonstrou desempenho superior na captura de dinâmicas transientes comparado aos modelos MLP e Transformer.
  • Erros Relativos (LSTM):
    • Velocidade: 0,7%
    • Pressão: 6,0% (consistente entre todas as arquiteturas)
    • Viscosidade Turbulenta: 4,0% (significativamente menor que o MLP em 14,0% e o Transformer em 9,0%)
  • Energia e Enstrofia: O modelo LSTM mostrou erros relativos ligeiramente menores em energia (0,7%) e enstrofia (1,7%) comparado às outras arquiteturas.
• Validação Visual: Comparações dos campos de velocidade, pressão e viscosidade turbulenta entre o Modelo de Ordem Total e o ROM Híbrido mostraram que a aproximação é precisa, com a técnica híbrida reproduzindo com sucesso as estruturas de escoamento.

Significância e Alegações
O artigo alega que o framework proposto efetivamente preenche a lacuna entre a consistência matemática dos ROMs baseados em projeção e a flexibilidade preditiva do aprendizado profundo. Ao separar o tratamento das variáveis de fluxo (intrusivo para velocidade/pressão) e o fechamento de turbulência (não intrusivo para viscosidade), o método alcança um modelo de ordem reduzida estável e preciso para fluxos turbulentos 3D em grades colocadas sem exigir técnicas de estabilização complexas.

Os autores concluem modestamente que, embora o modelo híbrido capture com sucesso as principais características da evolução do fluxo para o caso de teste específico da cavidade impulsionada por tampa, casos de teste adicionais são necessários para avaliar plenamente o desempenho da abordagem em diferentes condições de escoamento e geometrias. O estudo destaca que considerar explicitamente as correlações temporais (como feito pelo LSTM) é crucial para modelar a dinâmica de turbulência não estacionária, onde o termo de fechamento depende do histórico recente do escoamento.