Numerically Consistent Non-Boussinesq Subgrid-scale Stress Model with Enhanced Convergence

Este artigo apresenta um modelo de tensão de subgrade não-Boussinesq, numericamente consistente, para simulação de grandes eddies que utiliza assimilação de dados e aprendizado multitarefa para alcançar uma convergência aprimorada e previsões melhoradas de camadas limites turbulentas sob gradientes de pressão adversos em comparação ao modelo Dinâmico de Smagorinsky.

O essencial

Imagine que você esteja tentando prever como um rio flui ao redor de uma curva rochosa. Se você tentar calcular o movimento de cada única molécula de água, um supercomputador levaria séculos para terminar o trabalho. Isso é o que os cientistas chamam de "Simulação Numérica Direta" (DNS). É perfeita, mas lenta demais para a engenharia do mundo real.

Por isso, os engenheiros usam um atalho chamado Simulação de Grandes Eddies (LES). Pense nisso como observar o rio de um helicóptero. Você consegue ver claramente os grandes redemoinhos e a corrente principal, mas as pequenas ondulações e turbulências são pequenas demais para serem vistas. Para fazer a simulação funcionar, você precisa de um "Modelo de Subgrade-Scale (SGS)". Este modelo é um "guardião de palpites" que diz: "Ok, eu não consigo ver as pequenas ondulações, mas sei que elas existem, então vou adicionar um pouco de 'atrito' ao meu cálculo para levar isso em conta".

Por décadas, esses modelos foram como usar uma configuração de atrito genérica e universal. Eles funcionam bem em rios simples, mas quando a água se torna turbulenta, atinge uma rampa ou flui ao redor de uma forma complexa, esses modelos genéricos costumam falhar. Eles podem prever que a água está diminuindo a velocidade quando ela deveria acelerar, ou podem ficar confusos conforme você tenta tornar a simulação mais detalhada.

O Problema: O Paradoxo do "Zoom"
Normalmente, se você tornar uma simulação de computador mais detalhada (adicionar mais pontos de grade, como dar zoom com uma câmera), a resposta deveria melhorar. Mas com esses modelos antigos, às vezes, tornar a grade mais fina na verdade torna a previsão pior. É como tentar consertar uma foto borrada adicionando mais pixels, mas o software acaba adicionando apenas ruído. Isso é chamado de "convergência não monotônica", e é uma grande dor de cabeça para os engenheiros.

A Solução: Um Treinador Inteligente e Personalizado
Os autores deste artigo, Ling e Lozano-Duran, criaram um novo tipo de modelo SGS usando Aprendizado de Máquina (Machine Learning). Em vez de apenas adivinhar o atrito, eles ensinaram um computador a aprender o "atrito" exato necessário observando uma simulação perfeita (os dados da DNS) e, em seguida, tentando imitá-la.

Aqui está como eles fizeram isso, usando três analogias simples:

1. O Treinador de "Nudging" (Empurrãozinho)
Imagine que você está tentando aprender a andar de bicicleta, mas só tem um mapa borrado do caminho. Uma abordagem de "nudging" é como ter um treinador parado ao seu lado. Toda vez que você se desvia do caminho perfeito (os dados da DNS), o treinador te dá um empurrão suave (um "nudge") para te colocar de volta no trilho.
Neste artigo, o computador executa uma simulação e recebe um "empurrão" para se aproximar dos dados perfeitos. O computador então registra o quão forte ele teve que empurrar para manter o trajeto. Esse "poder de empurrão" torna-se os dados de treinamento para o novo modelo. O modelo aprende: "Quando a água parece assim, eu preciso empurrar com aquela força".

2. A Caixa de Ferramentas "Não-Boussinesq"
Os modelos antigos eram como um martelo: eles só sabiam empurrar as coisas em uma direção (como um atrito simples). Mas o fluxo de água real é complexo; ele torce, vira e rotaciona.
Os autores construíram um novo modelo que é mais parecido com um Canivete Suíço. Em vez de apenas uma ferramenta, ele usa uma abordagem "tensorial", o que significa que possui ferramentas diferentes para diferentes direções. Ele consegue lidar com a torção e a rotação da água muito melhor do que os antigos modelos de "martelo". Eles chamam isso de formulação "não-Boussinesq", que é apenas uma maneira sofisticada de dizer: "Paramos de assumir que a água se comporta de forma simples e começamos a tratá-la como o fluido complexo e retorcido que realmente é".

3. O Estudante "Multitarefa"
Este é o maior avanço deste artigo. Normalmente, quando você treina um modelo de aprendizado de máquina, você apenas diz para ele ser "preciso". Mas os autores perceberam que, para isso funcionar, o modelo precisa aprender uma lição específica: "À medida que você se torna mais detalhado, você deve se tornar mais preciso."
Eles usaram uma estratégia chamada "Aprendizado Multitarefa" (Multi-Task Learning). Imagine um estudante fazendo três exames: um fácil (grade grossa), um médio e um difícil (grade fina).

• O jeito antigo: O professor dá a mesma nota para todos. O aluno pode tirar nota máxima no teste fácil, mas falhar no difícil.
• O jeito novo: O professor diz ao aluno: "O teste difícil importa 100 vezes mais do que o fácil".
  Ao ponderar os dados de treinamento dessa forma, o modelo é forçado a priorizar o acerto dos detalhes finos. Isso garante que, conforme você der zoom (refinar a grade), a resposta melhore cada vez mais, nunca piorando.

Os Resultados
Eles testaram este novo modelo em um fluxo turbulento atingindo uma rampa (como o ar fluindo sobre uma asa que está inclinada para cima).

• Precisão: Ele previu a velocidade do ar e a pressão na parede muito melhor do que o modelo padrão "Dynamic Smagorinsky" (o padrão atual da indústria).
• Convergência: Mais importante ainda, quando eles tornaram a grade mais fina, o erro diminuiu de forma constante. O "paradoxo do zoom" foi resolvido. O modelo se comportou exatamente como uma boa simulação deve se comportar: mais detalhes resultam em melhores resultados.

Em Resumo
Os autores construíram um modelo de IA mais inteligente e flexível para simular fluidos turbulentos. Ao ensiná-lo com uma técnica de "nudging", dar a ele um kit de ferramentas tipo "Canivete Suíço" em vez de um simples martelo, e forçá-lo a priorizar detalhes finos através de pesos de treinamento especiais, eles criaram um modelo que é ao mesmo tempo mais preciso e mais confiável à medida que as simulações se tornam mais detalhadas.

Resumo técnico

Resumo Técnico: Modelo de Tensão de Sub-grade de Escala Não-Boussinesq Numericamente Consistente com Convergência Aprimorada

Definição do Problema
A simulação de grandes eddies com modelagem de parede (WMLES) oferece uma alternativa computacionalmente eficiente à simulação numérica direta (DNS) para escoamentos industriais de alto número de Reynolds. No entanto, os modelos de sub-grade de escala (SGS) convencionais frequentemente dependem de aproximações físicas (ex: fechamentos de viscosidade de eddy lineares) e ajustes empíricos que falham em cenários de escoamento complexos, como aqueles com gradientes de pressão adversos (GPA) ou separação. Uma limitação crítica na prática atual de WMLES é a convergência não monotônica das soluções conforme as grades são refinadas; erros decorrentes da interação entre o modelagem SGS, a discretização numérica e os modelos de parede podem fazer com que as previsões se deteriorem em vez de melhorar com o refinamento da malha. Além disso, os modelos de SGS baseados em aprendizado de máquina (ML) existentes frequentemente enfrentam dificuldades em testes a posteriori, pois são tipicamente treinados em dados de DNS filtrados (a priori), o que é inconsistente com os erros numéricos inerentes aos solvers de LES. Embora abordagens de assimilação de dados, como o modelo Building-Block Flow (BFM), tenham mostrado promessa, as iterações anteriores foram restritas a configurações com uma única direção inhomogênea (ex: escoamentos em canal) e apresentaram dificuldades em escoamentos separados.

Metodologia
Este estudo estende o framework de assimilação de dados de Ling e Lozano-Duran (2025) para desenvolver um modelo de SGS baseado em ML, numericamente consistente, para camadas limites turbulentas (TBL) sob GPA, uma configuração que apresenta duas direções inhomogêneas. A metodologia consiste em três etapas primárias:

1. Estatísticas de Referência e Nudging: Os autores utilizam uma DNS de uma TBL com GPA (com ângulo de rampa de $5^\circ$ e $Re_\theta = 670$) para definir estatísticas alvo. Em vez de assimilar trajetórias completas, o que é um problema mal posto para sistemas de escala grosseira, eles empregam uma abordagem de nudging estatístico. Um termo de força corretiva ($F_{nudging}$) é adicionado às equações de momento da WMLES para conduzir o perfil de velocidade média em direção ao alvo da DNS. Isso gera um termo de força alvo numericamente consistente ($F_{target}$) que leva em conta os erros de discretização específicos do solver (charLES, um código de volume finito acelerado por GPU).
2. Formulação de Modelo Não-Boussinesq: Para abordar as limitações dos modelos de viscosidade de eddy lineares em escoamentos complexos, os autores adotam uma formulação tensorial de SGS não-Boussinesq. O modelo prevê o tensor de tensão $\tau^{SGS}$ usando dois termos: um termo padrão de taxa de deformação e um termo de tensor de rotação ($SR - RS$). Os coeficientes para esses termos são parametrizados por uma rede neural do tipo perceptron multicamadas (MLP). As entradas da rede são invariantes adimensionais derivadas dos tensores de deformação ($S$) e rotação ($R$), selecionadas via uma abordagem informacional (teorema de Buckingham-$\pi$) para maximizar o poder preditivo.
3. Aprendizado Multitarefa com Convergência Aprimorada: O modelo é treinado utilizando uma estratégia de aprendizado supervisionado que minimiza uma função de perda combinada. Esta perda inclui um termo de correspondência de força (para reproduzir $F_{target}$) e um termo de correspondência de dissipação (para garantir que o modelo dissipe energia de forma consistente com o Modelo de Smagorinsky Dinâmico (DSM) de base). Crucialmente, os autores implementam uma estratégia de aprendizado multitarefa onde dados de treinamento de três diferentes resoluções de grade (grossa, média, fina) são ponderados de forma distinta. Ao atribuir pesos maiores para as grades mais finas, o processo de treinamento impõe explicitamente um comportamento de convergência monotônica, abordando o problema onde grades mais grossas às vezes apresentam erros menores do que grades mais finas em modelos convencionais.

Principais Contribuições

• Extensão para Duas Direções Inhomogêneas: O framework é generalizado de escoamentos em canal de direção única para TBLs com GPA, acomodando uma física mais rica e movimentos médios secundários.
• Formulação Não-Boussinesq: A adoção de um modelo de SGS tensorial com um termo de rotação vai além da hipótese de Boussinesq, capturando melhor as anisotropias de tensão complexas.
• Perda de Correspondência de Dissipação: Um componente específico de perda é introduzido para restringir a dissipação de energia do modelo, um requisito estatístico mostrado ser essencial para capturar a separação de corpos rombudos.
• Treinamento com Convergência Aprimorada: A integração de ponderação dependente da resolução na função de perda é proposta como um mecanismo para forçar a convergência de grade monotônica, uma propriedade frequentemente ausente em modelos de SGS baseados em dados padrão.

Resultados
Testes posteriori foram conduzidos no caso da TBL com GPA usando o modelo treinado em comparação com o Modelo de Smagorinsky Dinâmico (DSM) e a simulação otimizada por nudging.

• Acurácia: O modelo proposto supera significativamente o DSM na previsão de perfis de velocidade média e tensão de cisalhamento na parede (atrito superficial), alcançando resultados comparáveis à previsão otimizada por nudging. Em algumas regiões, o modelo pareceu superar a simulação de nudging, provavelmente devido ao cancelamento de erro entre o SGS e os modelos de parede.
• Convergência: O estudo demonstrou que a estratégia de treinamento de "pesos iguais" resultou em convergência não monotônica (onde a grade mais grossa apresentou o menor erro). Em contraste, a estratégia proposta de "pesos desiguais" (priorizando as grades mais finas) recuperou com sucesso uma tendência de convergência consistente e monotônica conforme a grade era refinada, embora a grade mais fina permanecesse sub-resolvida.

Significância e Alegações
O artigo apresenta uma prova de conceito para uma abordagem de modelagem de SGS baseada em dados que é numericamente consistente com o solver de escoamento e capaz de lidar com configurações de escoamento complexas e multidirecionais. Os autores alegam que, ao integrar o nudging estatístico com uma formulação não-Boussinesq e uma estratégia de aprendizado multitarefa, abordaram dois desafios persistentes na WMLES: a imprecisão de fechamentos lineares em escoamentos complexos e a convergência não monotônica de soluções numéricas. O trabalho sugere que promover explicitamente a convergência monotônica através da ponderação da função de perda de treinamento é um caminho viável para modelos de SGS baseados em ML mais robustos e prontos para produção. O estudo reconhece limitações, observando que o esquema de nudging atual é escalar (apenas na direção do escoamento) e que trabalhos futuros são necessários para estender isso para um nudging de valor vetorial para escoamentos totalmente separados e para automatizar o cronograma de ponderação para uma aplicabilidade mais ampla.