Bayesian neural network correction of RANS turbulence models with uncertainty quantification in separated flows

Este trabalho apresenta uma estrutura de redes neurais Bayesianas para corrigir modelos de turbulência RANS com quantificação de incerteza, demonstrando que a correção da anisotropia melhora significativamente a previsão de fluxos separados, embora a generalização para casos não vistos ainda apresente desafios de precisão e cobertura de incerteza.

O essencial

Imagine que você é um engenheiro tentando prever como o ar flui ao redor de um carro de Fórmula 1 ou de uma asa de avião. Para isso, você usa um software de simulação (chamado RANS).

O problema é que esse software é como um mapa de estradas antigo e simplificado: ele é rápido e barato de usar, mas ele "chuta" muito quando o ar encontra curvas fechadas ou obstáculos (o que chamamos de fluxo separado). Ele não consegue ver os detalhes das "turbulências" — aqueles redemoinhos caóticos que fazem o carro perder aderência ou o avião perder sustentação.

Este artigo apresenta uma forma de dar um "Google Maps" moderno para esse mapa antigo, usando Inteligência Artificial.

Aqui está a explicação do que os pesquisadores fizeram, usando analogias:

---

1. O Problema: O "Mapa de Sombras"

O modelo RANS atual é como tentar descrever uma tempestade usando apenas a média da velocidade do vento. Você sabe que está ventando, mas não sabe para onde cada gota de chuva está indo ou como os redemoinhos estão girando. Isso causa erros graves em áreas onde o ar "descola" da superfície (como o rastro de ar atrás de um caminhão).

2. A Solução: O "Corretor Inteligente" (BNN)

Os autores criaram uma Rede Neural Bayesiana (BNN). Imagine que, em vez de apenas um corretor ortográfico que diz "esta palavra está errada", você tem um professor de literatura muito sábio.

• A parte "Rede Neural": É o corretor que olha para o erro do mapa antigo e diz: "Ei, aqui o ar não está apenas passando; ele está girando de um jeito específico".
• A parte "Bayesiana" (O toque de mestre): Um corretor comum diria: "O erro é X". O professor Bayesiano diz: "Eu acho que o erro é X, mas eu não tenho 100% de certeza; pode ser entre Y e Z".

Essa capacidade de dizer "eu não sei" ou "estou incerto" é o que chamamos de Quantificação de Incerteza. Para um engenheiro, saber que o computador está "chutando" é tão importante quanto o próprio chute.

3. Como eles corrigem o erro? (As duas ferramentas)

Eles usam duas ferramentas diferentes para consertar o mapa:

• Ferramenta 1: O Ajuste de Energia (k-deficit): Imagine que o mapa diz que a tempestade é fraca, mas você sabe que ela é forte. Essa ferramenta apenas aumenta a "intensidade" da turbulência no papel. Ela melhora a previsão da energia, mas não muda muito o caminho que o ar faz.
• Ferramenta 2: O Ajuste de Direção (Anisotropia): Esta é a ferramenta mais poderosa. Em vez de apenas dizer "o vento é forte", ela diz "o vento está girando para a esquerda e esticando para cima". Isso corrige a forma dos redemoinhos, permitindo que o software preveja com precisão onde o ar vai se separar da asa e onde ele vai voltar a grudar.

4. O Teste de Fogo: O "Exame Surpresa"

Para saber se a IA era realmente inteligente ou se ela apenas "decorou" o mapa, eles fizeram um teste:

1. Eles treinaram a IA com um obstáculo simples (uma colina).
2. Depois, jogaram um obstáculo totalmente novo e diferente (um degrau curvo) que a IA nunca tinha visto.

O resultado? A IA conseguiu se virar! Ela não foi perfeita (nenhuma IA é), mas ela conseguiu prever o comportamento do ar no novo obstáculo e, o mais importante, ela avisou: "Olha, como eu nunca vi esse degrau antes, minha incerteza aqui é alta".

Resumo da Ópera

Os pesquisadores criaram um sistema que:

1. Conserta os erros de modelos de simulação de ar antigos.
2. Entende a física complexa (os redemoinhos e a direção do vento).
3. Dá um aviso de segurança: "Eu fiz essa correção, mas saiba que minha confiança aqui é de apenas 70%".

Isso torna as simulações de engenharia muito mais seguras e confiáveis para projetar tudo, desde carros mais aerodinâmicos até aviões mais eficientes.

Resumo técnico

Resumo Técnico: Correção de Modelos de Turbulência RANS via Redes Neurais Bayesianas com Quantificação de Incerteza em Escoamentos Separados

1. O Problema

A predição de escoamentos separados (onde a camada limite se desprende da superfície) é um dos maiores desafios da aerodinâmica computacional. Os métodos padrão da indústria, baseados em Reynolds-Averaged Navier-Stokes (RANS) com modelos de viscosidade de eddy (como o $k-\omega$ SST), falham nessas regiões porque assumem uma relação linear entre a anisotropia do estresse de Reynolds e a taxa de deformação média. Isso resulta em erros sistemáticos na predição do início da separação, no ponto de reatracação e na estrutura da zona de recirculação.

Embora abordagens de aprendizado de máquina (Deep Learning) tenham sido propostas para corrigir esses modelos, elas enfrentam dois obstáculos principais:

1. Falta de Quantificação de Incerteza (UQ): Modelos determinísticos não informam o quão confiável é a correção, o que é crítico para decisões de engenharia.
2. Correções Globais Ineficientes: Aplicar correções em todo o domínio pode degradar a precisão em regiões onde o modelo RANS original já é bom (como em camadas limites aderidas).

2. Metodologia

O trabalho propõe um framework de Redes Neurais Bayesianas (BNN) para realizar correções de modelo de forma consciente da incerteza. A metodologia baseia-se em três pilares:

• Extração de Discrepâncias (Frozen-RANS): Utiliza-se um procedimento de "RANS congelado" para isolar o erro do modelo de turbulência. Foram identificadas duas formas de correção:
  • $k_{deficit}$ (Escalar): Uma correção no termo de fonte da energia cinética turbulenta (TKE) para equilibrar o orçamento de energia.
  • $b^\Delta_{ij}$ (Tensorial): Uma correção da anisotropia do estresse de Reynolds baseada em uma expansão de base tensorial (framework de Pope), garantindo consistência física.
• Estratégia de Correção Zonal (RITA): Em vez de uma correção global, utiliza-se um classificador baseado em física (RITA) para identificar apenas as regiões de camada de cisalhamento separada. As correções são aplicadas apenas nessas zonas.
• Arquitetura BNN Heterocedástica: As redes neurais não aprendem apenas a média da correção, mas também uma variância dependente da entrada (incerteza aleatória/ruído dos dados). A incerteza epistêmica (falta de conhecimento do modelo) é capturada através de amostragem de Monte Carlo sobre a distribuição posterior dos pesos da rede.

3. Principais Contribuições

• Decomposição de Incerteza: O framework permite separar a incerteza epistêmica (incerteza do modelo devido a dados limitados) da incerteza aleatória (variabilidade intrínseca dos dados/ruído).
• Representação Invariante: O uso de invariantes de fluxo como entrada garante que as correções sejam independentes de rotações de coordenadas e transformações galileanas.
• Regressão Direta de Coeficientes: Ao prever os coeficientes da base tensorial em vez do tensor completo, os autores evitaram o problema de "diluição de gradiente", resultando em um treinamento mais estável e fisicamente consistente.

4. Resultados

Os experimentos foram realizados no escoamento de uma colina periódica (periodic hill) e validados em um caso não visto (unseen): o degrau de face voltada para trás curvo (CBFS).

• Correção Escalar ($k_{deficit}$): Consegue reproduzir com precisão o campo de TKE, mas tem impacto negligenciável no campo de velocidade média.
• Correção de Anisotropia ($b^\Delta_{ij}$): É o fator determinante para a precisão do escoamento. Quando combinada com a correção escalar, permite prever com sucesso a separação, a zona de recirculação e a reatracação.
• Generalização: No caso não visto (CBFS), o modelo manteve a capacidade de melhorar a predição da velocidade, embora com uma redução na precisão e uma subcobertura de incerteza, evidenciando o desafio de extrapolação para dados fora da distribuição (out-of-distribution).
• Calibração: As estimativas de incerteza mostraram-se bem calibradas no caso de treinamento, aproximando-se dos valores ideais gaussianos.

5. Significância

Este trabalho representa um avanço para a modelagem de turbulência baseada em dados (data-driven), pois move o campo de "correções puramente determinísticas" para um paradigma de modelagem probabilística. A capacidade de identificar onde o modelo é incerto e onde ele precisa de correção (via RITA) oferece um caminho robusto para integrar inteligência artificial em fluxos de trabalho de engenharia de alta fidelidade, permitindo que o RANS seja usado com maior confiança em regimes de escoamento complexos.