Physics-Constrained Neural Closure for Lattice Boltzmann Large-Eddy Simulation

Este artigo apresenta uma nova abordagem de fechamento de submalha baseada em redes neurais e restringida pela física para simulação de grandes vórtices (LES) no método de Boltzmann em rede (LBM), que, ao combinar dados de DNS e princípios físicos, supera modelos tradicionais como o Smagorinsky em precisão estatística e eficiência computacional.

O essencial

Imagine que você está tentando prever o clima de um planeta inteiro, mas seu computador é pequeno demais para simular cada gota de chuva e cada rajada de vento individualmente. Para resolver isso, os cientistas usam uma técnica chamada Simulação de Grandes Vórtices (LES). É como olhar para o tempo através de óculos escuros: você vê as grandes nuvens e tempestades, mas os detalhes pequenos (como redemoinhos minúsculos) ficam borrados.

O problema é: como o computador sabe o que está acontecendo nesses detalhes borrados? Se ele errar, a previsão do tempo (ou o fluxo de ar em um carro) sai toda errada.

Aqui entra a Inteligência Artificial (IA) deste novo estudo. Os autores criaram um "assistente virtual" superinteligente para ajudar a simular fluidos (como ar e água) de forma mais realista e rápida.

Aqui está a explicação do que eles fizeram, usando analogias do dia a dia:

1. O Problema: O "Orçamento" de Energia

Na física dos fluidos, a energia não some; ela apenas muda de tamanho. Grandes redemoinhos quebram em redemoinhos menores, e assim por diante.

• O jeito antigo (Modelos Clássicos): Era como tentar adivinhar o que acontece nos detalhes pequenos dizendo: "Eles sempre dissipam energia, como se fosse uma esponja absorvendo água". O problema é que, na vida real, às vezes a energia flui de volta para os redemoinhos grandes (chamado de backscatter). Os modelos antigos ignoravam isso, como se a esponja nunca soltasse a água de volta.
• O jeito novo (IA com Restrições Físicas): Eles criaram uma rede neural (um tipo de cérebro digital) que aprende a prever exatamente o que esses redemoinhos pequenos estão fazendo. Mas, para não deixar a IA alucinar, eles a "amarraram" às leis da física. É como dar a um aluno uma prova onde ele pode usar calculadora, mas se ele escrever uma resposta que viola a matemática básica, ele perde pontos.

2. A Solução: O "Divisor de Tarefas" Híbrido

A grande inovação deste trabalho é como eles conectam essa IA ao simulador de fluidos. Eles dividiram a tarefa em duas partes, como se tivessem dois funcionários trabalhando juntos:

• Funcionário A (A "Esponja"): Ele cuida da parte que dissipa energia (aquece o fluido, como atrito). Ele age como um "viscosidade efetiva". É a parte segura e estável.
• Funcionário B (O "Mágico"): Ele cuida da parte anisotrópica (aquela que não é apenas atrito, mas que empurra o fluido em direções específicas e devolve energia). Ele age como uma "força" extra aplicada no sistema.

A Analogia do Carro:
Pense em dirigir um carro em uma estrada cheia de curvas.

• O Funcionário A é o freio e o atrito dos pneus: ele garante que o carro não acelere demais e perca energia de forma controlada.
• O Funcionário B é o volante e a direção: ele faz ajustes finos, curvas específicas e devolve a energia para manter o carro estável nas curvas.
• O resultado: O carro (o fluido) dirige de forma muito mais suave e realista do que se você usasse apenas freios (modelos antigos).

3. O Treinamento: Estudando o "Caos"

Para treinar essa IA, os cientistas não usaram apenas dados teóricos. Eles rodaram simulações superprecisas (chamadas DNS) de turbulência em um computador gigante, gerando milhões de exemplos de como o fluido se comporta.

• Eles ensinaram a IA a olhar para 9 pistas: 6 sobre como o fluido está esticando (tensão) e 3 sobre como está girando (vorticidade).
• Com base nessas pistas, a IA prevê o que os redemoinhos pequenos estão fazendo.
• Eles usaram "regras de ouro" no treinamento: a IA não pode violar a rotação (se você girar a imagem, a resposta deve girar junto) e não pode criar ou destruir energia magicamente.

4. O Resultado: Rápido e Preciso

O que eles descobriram?

• Precisão: A IA conseguiu prever o comportamento do fluido muito melhor do que os modelos antigos, capturando aqueles momentos em que a energia volta para os redemoinhos grandes (o backscatter que os antigos ignoravam).
• Velocidade: O mais impressionante é que, mesmo usando uma IA, o sistema roda quase na mesma velocidade que os métodos antigos. Eles conseguiram "embutir" o cérebro da IA dentro do código do simulador de forma tão eficiente que o tempo de cálculo não aumentou quase nada.
• Generalização: Eles testaram o modelo em um cenário diferente (escoamento em um canal, como água em um cano) sem precisar reensiná-lo. Funcionou! É como se você ensinasse um piloto a voar em um avião de caça e ele conseguisse pilotar um helicótero sem aulas extras.

Resumo em uma frase

Os autores criaram um "cérebro digital" que aprendeu a prever os detalhes invisíveis do fluxo de fluidos, dividindo a tarefa entre "atrito" e "força mágica", resultando em simulações muito mais realistas e rápidas, capazes de prever fenômenos complexos que os métodos antigos ignoravam.

É um passo gigante para que, no futuro, possamos simular o clima, o design de carros ou o fluxo de sangue em artérias com uma precisão que hoje é impossível.

Resumo técnico

Resumo Técnico: Fechamento Neural Restrito por Física para Simulação de Grandes Vórtices (LES) no Método de Boltzmann em Rede (LBM)

1. O Problema

A Simulação de Grandes Vórtices (LES) é essencial para estudar fluxos turbulentos em números de Reynolds onde a Simulação Numérica Direta (DNS) é proibitivamente cara. No entanto, os modelos de fechamento de escala subgrade (SGS) clássicos, como o modelo de Smagorinsky, frequentemente sacrificam a fidelidade estrutural em prol da estabilidade. Eles tendem a suprimir o backscatter (transferência de energia das escalas não resolvidas para as resolvidas) e têm dificuldade em representar a anisotropia completa do tensor de tensões SGS.

Além disso, a maioria das abordagens baseadas em Machine Learning (ML) para modelagem de turbulência foi desenvolvida para solvers de Navier-Stokes contínuos. A aplicação de fechamentos explícitos de tensões via ML no Método de Boltzmann em Rede (LBM) permanece pouco explorada, devido aos desafios de acoplar tensões tensoriais preditas diretamente à formulação cinética do LBM de forma estável e eficiente.

2. Metodologia

Os autores propõem um fechamento de tensões SGS baseado em dados, mas restrito por leis físicas, especificamente adaptado para o LBM.

• Geração de Dados: Os dados de treinamento foram gerados a partir de DNS de turbulência isotrópica homogênea forçada (FHIT) utilizando um solver LBM de tempo múltiplo (MRT-LBM). Os dados foram filtrados e reamostrados (FD) em várias larguras de filtro para criar pares de campos resolvidos e tensões SGS exatas.
• Arquitetura da Rede Neural:
  • Entrada: 9 características macroscópicas derivadas: 6 componentes independentes da taxa de deformação (strain-rate) e 3 componentes do vetor vorticidade.
  • Saída: As 6 componentes independentes do tensor de tensões SGS.
  • Estrutura: Uma rede compacta (9 → 64 → 64 → 6) com ativação GELU, contendo apenas ~5.190 parâmetros treináveis.
• Estratégia de Treinamento (Restrições Físicas):
  O treinamento combina uma perda de dados (MSE) com três termos de física:
  1. Correspondência de Transferência de Energia ($\Pi$): Garante que a taxa de dissipação predita corresponda à verdadeira, permitindo valores negativos (backscatter) sem restrições artificiais.
  2. Equivariância Rotacional: Garante que o tensor de tensões se transforme corretamente sob rotações do cubo (simetria do domínio).
  3. Penalidade de Força SGS Livre de Divergência: Penaliza a divergência da força SGS implícita, garantindo compatibilidade numérica com o esquema de acoplamento.
• Estratégia de Acoplamento Híbrido (Inferência):
  Para integrar a tensão predita ao solver LBM de forma estável, os autores dividem a tensão em duas partes:
  1. Parte Dissipativa: A componente alinhada com a taxa de deformação é convertida em uma viscosidade efetiva ($\nu_{eff}$), que modifica a taxa de relaxamento local no LBM. Isso permite capturar o backscatter (viscosidade negativa) de forma natural.
  2. Resíduo Anisotrópico: A parte restante da tensão (não dissipativa) é aplicada como uma força de corpo (usando o esquema de Guo). Isso preserva efeitos anisotrópicos que seriam perdidos em um modelo puramente viscoso.

3. Principais Contribuições

1. Fechamento Explícito em LBM: Demonstra a viabilidade de prever o tensor completo de tensões SGS usando apenas derivadas locais e acoplá-lo ao LBM de forma estável.
2. Estratégia de Divisão Híbrida: Introduz um mecanismo inovador que separa a contribuição dissipativa (tratada via relaxamento/viscosidade) da contribuição residual anisotrópica (tratada via forçamento), permitindo capturar tanto a dissipação quanto o backscatter e efeitos não dissipativos.
3. Validação Rigorosa: Realiza validações a priori (comparação estatística direta) e a posteriori (simulações LES em malha fechada), demonstrando superioridade sobre modelos clássicos.
4. Desenvolvimento e Desempenho: Implementação de produção utilizando ONNX Runtime integrado a um código Fortran/OpenACC, demonstrando que a sobrecarga computacional é mínima comparada a modelos clássicos.

4. Resultados

• Validação A Priori: O modelo apresentou alta correlação (R² $\approx$ 0.80–0.84) com os dados de referência filtrados (FD) para todos os componentes da tensão. A distribuição de probabilidade (PDF) da transferência de energia ($\Pi$) foi reproduzida com precisão, incluindo a cauda negativa (backscatter), que o modelo de Smagorinsky falha em capturar (pois impõe viscosidade não-negativa).
• Validação A Posteriori (FHIT):
  • Em simulações LES em malha 128³, o modelo ML superou os modelos Smagorinsky (estático e dinâmico) na reprodução de estatísticas de energia, balanço energético e anisotropia.
  • O modelo manteve a estabilidade e precisão ao ser aplicado com operadores de colisão diferentes (MRT e BGK), indicando robustez.
  • O balanço de energia do modelo ML permaneceu muito mais próximo da DNS de referência do que as bases de Smagorinsky.
• Teste de Transferência (Canal Turbulento): O modelo, treinado exclusivamente em turbulência isotrópica (FHIT), foi aplicado sem retreinamento em um fluxo de canal turbulento ($Re_\tau \approx 160$). Os resultados mostraram excelente concordância com dados DNS de referência para perfis de velocidade média, flutuações RMS e tensões de Reynolds, sugerindo uma forte capacidade de generalização baseada em características locais.
• Desempenho Computacional: A implementação via ONNX Runtime em GPU (NVIDIA A100) atingiu um throughput comparável ao modelo Smagorinsky dinâmico, com uma diferença de apenas 0,61% no tempo de execução, provando a viabilidade para uso em produção.

5. Significado e Impacto

Este trabalho preenche uma lacuna importante entre a modelagem de turbulência baseada em dados e a implementação prática no LBM. Ao demonstrar que um fechamento explícito de tensões pode ser acoplado de forma estável e eficiente ao LBM através de uma estratégia híbrida (viscosidade + força), o estudo abre caminho para simulações LES mais precisas e fisicamente consistentes em geometrias complexas.

A capacidade do modelo de generalizar para um fluxo de canal sem retreinamento é particularmente notável, sugerindo que a representação baseada em derivadas locais, combinada com normalização adequada e restrições físicas, pode capturar a constituição fundamental da turbulência além das condições de treinamento específicas. Além disso, a demonstração de desempenho em tempo real (comparável a modelos clássicos) remove uma das principais barreiras para a adoção de ML em simulações de fluidos computacionais de grande escala.