Realizability-Constrained Machine Learning for Turbulence Closures in Wake Flows

Este artigo propõe um framework de programação genética de expressão filtrado por resíduo e realizabilidade que integra restrições físicas diretamente no loop de solução de CFD para descobrir eficientemente modelos de fechamento de turbulência estáveis e fisicamente consistentes para escoamentos de esteira, alcançando reduções significativas no custo computacional e em resultados não realizáveis, ao mesmo tempo que demonstra generalização robusta em diversas geometrias.

O essencial

Imagine que você está tentando ensinar um robô a prever como a fumaça se enrola atrás de um carro ou de um barco. Este é um problema chamado "modelagem de turbulência". Os cientistas usam matemática complexa (simulações) para fazer isso, mas a matemática padrão que utilizam é como um instrumento tosco — frequentemente erra os detalhes, especialmente na esteira confusa atrás de um objeto.

Para corrigir isso, os pesquisadores deste artigo usaram Aprendizado de Máquina para inventar uma nova fórmula matemática, mais inteligente. No entanto, ensinar uma máquina a inventar fórmulas físicas é complicado. Se você deixar a máquina agir sem restrições, ela frequentemente cria fórmulas que parecem boas no papel, mas fazem a simulação computacional travar, congelar ou produzir "fantasmas" (resultados que violam as leis da física).

Veja como o artigo resolve este problema, explicado de forma simples:

1. O Problema: O Aprendiz "Selvagem"

Pense no processo de aprendizado de máquina como um professor tentando treinar 256 alunos (fórmulas candidatas) para resolver um quebra-cabeça.

• O Jeito Antigo (Linha de Base): O professor deixa cada aluno trabalhar no quebra-cabeça por muito tempo (milhares de passos). Se a resposta de um aluno fizer a sala de aula explodir (o computador travar) ou se ele escrever um número fisicamente impossível (como energia negativa), o professor só descobre depois que o aluno desperdiçou horas de trabalho. Isso é incrivelmente lento e caro.
• O Problema: Muitas dessas fórmulas "ruins" são matematicamente instáveis ou "irrealizáveis" (elas quebram as regras da realidade), mas o computador não sabe disso até que seja tarde demais.

2. A Solução: O "Check de Segurança em Três Etapas"

Os autores criaram um novo sistema chamado RR-GEP. Em vez de deixar cada aluno trabalhar até o fim, eles instalaram um posto de controle de segurança rigoroso com três portões. Se um aluno falhar em um portão, ele é expulso imediatamente, economizando tempo e energia.

• Portão 1: O Check "Está Explodindo?" (Verificação de Resíduo)
  Imagine um aluno resolvendo um problema matemático. Se os números dele começarem a saltar descontroladamente ou ficarem enormes, o professor o para imediatamente. Isso pega fórmulas que fazem o computador travar.
• Portão 2: O Check "Você Está Melhorando?" (Verificação de Convergência)
  Se os números não estiverem explodindo, o professor pergunta: "Você está chegando mais perto da resposta?". Se o aluno estiver preso em um loop, sem fazer progresso, ele é mandado para casa. Isso impede fórmulas que apenas desperdiçam tempo sem resolver nada.
• Portão 3: O Check "Faz Sentido?" (Verificação de Realizabilidade)
  Esta é a nova característica mais importante. Mesmo que um aluno esteja resolvendo a matemática corretamente e não esteja travando, a resposta dele ainda pode ser impossível no mundo real.
  • A Analogia: Imagine um aluno dizendo: "O vento está soprando a 100 mph, mas o ar tem peso negativo". A matemática pode estar certa, mas a física está errada.
  • Os pesquisadores usam um mapa especial (chamado Mapa Barycêntrico) para verificar se a resposta do aluno se encaixa dentro do "Triângulo da Realidade". Se a resposta cair fora deste triângulo, ela é rejeitada instantaneamente. Isso garante que a nova fórmula respeite as leis fundamentais da física.

3. Os Resultados: Mais Rápido e Mais Inteligente

Ao usar este filtro em três etapas, os pesquisadores alcançaram alguns resultados impressionantes:

• Velocidade: Eles reduziram o tempo necessário para treinar a IA em 42%. Pararam de desperdiçar tempo com fórmulas que estavam condenadas ao fracasso.
• Qualidade: No método antigo, quase 60% das fórmulas finais eram fisicamente impossíveis ("irrealizáveis"). Em seu novo método, eles reduziram isso para menos de 2%.
• Desempenho: As fórmulas que encontraram não eram apenas estáveis; elas eram realmente melhores em prever a "esteira" (o ar/água em rotação) atrás de objetos. Elas previram o tamanho da zona de rotação com mais precisão do que os métodos padrão antigos.

4. Funciona em outras coisas?

Os pesquisadores treinaram a IA em um cilindro circular simples (como um cano saindo da água). Depois, eles a testaram em formas completamente diferentes:

• Um cilindro retangular (como um tijolo).
• Um perfil aerodinâmico (a asa de um avião).
• Uma forma de submarino (DARPA Suboff).

Embora a IA tenha sido treinada apenas no cano redondo, ela previu com sucesso a esteira para o tijolo, a asa e o submarino. Ela não apenas memorizou o cano; aprendeu as regras subjacentes de como a turbulência funciona, e manteve essas regras "reais" (fisicamente possíveis) em todas essas novas situações.

Resumo

O artigo apresenta uma nova maneira de ensinar computadores a inventar fórmulas físicas. Em vez de deixar o computador adivinhar cegamente e torcer para não travar, eles colocaram três "guarda-corpos". Esses guarda-corpos impedem que o computador desperdice tempo com más ideias e garantem que toda fórmula final que ele inventar obedeça às leis da física. Isso torna o processo mais rápido, mais barato e muito mais confiável para prever como os fluidos se movem ao redor de objetos.

Resumo técnico

Resumo Técnico: Aprendizado de Máquina com Restrições de Realizabilidade para Fechamentos de Turbulência em Escoamentos de Esteira

Declaração do Problema
Estruturas de aprendizado de máquina impulsionadas por Dinâmica dos Fluidos Computacional (CFD), particularmente aquelas que utilizam regressão simbólica via Programação de Expressões Genéticas (GEP), oferecem um caminho promissor para a descoberta de modelos de turbulência explícitos e interpretáveis fisicamente. No entanto, essas estruturas enfrentam limitações significativas quanto à instabilidade numérica e à admissibilidade física. Durante o processo de treinamento, milhares de modelos de fechamento candidatos são sequencialmente incorporados a solvers de Navier-Stokes Médios por Reynolds (RANS). Uma fração não negligenciável desses candidatos leva à divergência do solver, estagnação de resíduos ou crescimento não físico de grandezas turbulentas. Tais comportamentos instáveis são frequentemente detectados apenas após milhares de iterações, resultando em desperdício substancial de recursos computacionais. Além disso, estruturas existentes raramente impõem a "realizabilidade" — a exigência de que os tensões de Reynolds modeladas permaneçam fisicamente admissíveis (por exemplo, energia cinética turbulenta positiva, anisotropia limitada) — durante o processo de descoberta. Consequentemente, os fechamentos aprendidos podem violar restrições físicas fundamentais, mesmo que pareçam melhorar o acordo do escoamento médio com dados de referência, comprometendo a robustez e a generalização.

Metodologia
Os autores propõem uma estrutura filtrada por resíduos e realizabilidade impulsionada por CFD, integrada dentro de um paradigma GEP. Esta abordagem introduz uma camada de supervisão multiestágio diretamente no loop de solução CFD para permitir a identificação e rejeição precoces de modelos candidatos instáveis e não realizáveis. A metodologia consiste em três estágios de filtragem sequenciais aplicados em contagens de iteração específicas ($N_1$ e $N_2$) antes que a convergência total ($N_3$) seja tentada:

1. Estágio 1 (Resíduo Absoluto): Após $N_1$ iterações, candidatos são rejeitados se o resíduo normalizado máximo das equações governantes exceder um limiar prescrito ($\epsilon_1 \approx 10^{-1}$). Isso filtra modelos que causam divergência imediata.
2. Estágio 2 (Razão de Redução de Resíduo): Candidatos que passam pelo Estágio 1 são avaliados em $N_2$ iterações. Eles são rejeitados se a razão de redução de resíduos ($\Gamma$) entre $N_1$ e $N_2$ não atender a um fator de melhoria mínimo, ou se a solução estagnar. Isso garante que apenas modelos que demonstram um decaimento consistente nos resíduos prossigam.
3. Estágio 3 (Aplicação de Realizabilidade): Para modelos que passam nas verificações de resíduos, é aplicada uma restrição baseada em mapa baricêntrico. Os autovalores do tensor de anisotropia normalizado são computados, e o estado resultante é mapeado em um triângulo baricêntrico representando estados de turbulência limitantes (1C, 2C, 3C). Candidatos são rejeitados se seus pesos baricêntricos violarem restrições de convexidade, permitindo uma pequena tolerância ($\epsilon_3$) escalada pelo resíduo efetivo para contabilizar a convergência incompleta.

A estrutura foi treinada em uma esteira de cilindro circular canônica em $Re=3900$. A função de custo minimizou a discrepância entre os perfis de velocidade na direção do escoamento RANS e de Simulação de Grandes Vórtices (LES) na esteira, sem termos de penalidade explícitos para estabilidade ou realizabilidade, pois estes foram estritamente aplicados via estágios de filtragem. Os modelos resultantes foram Modelos Algébricos Explícitos de Tensão de Reynolds (EARSM) aplicados especificamente na região da esteira, enquanto a aproximação de Boussinesq foi mantida em outros locais.

Principais Contribuições

• Desenvolvimento de uma Estrutura GEP Filtrada: O artigo introduz um novo algoritmo "GEP Filtrado por Resíduo de Realizabilidade" (RR-GEP) que integra verificações de estabilidade e realizabilidade diretamente no loop evolutivo, distinguindo-se de abordagens CFD-driven "congeladas" ou padrão.
• Ganhos de Eficiência: Ao terminar precocemente candidatos improdutivos, a estrutura reduz significativamente o custo computacional da descoberta de modelos.
• Admissibilidade Física: O método aplica explicitamente restrições de realizabilidade durante o treinamento, garantindo que os modelos descobertos produzam estados de tensão de Reynolds consistentes fisicamente.
• Validação de Generalização: O estudo valida a robustez dos modelos descobertos em diversas geometrias e regimes de escoamento, incluindo um cilindro retangular, um perfil aerodinâmico NACA 0012 e um corpo axisimétrico DARPA Suboff, em números de Reynolds variando de $10^3$ a $10^6$.

Resultados

• Eficiência Computacional: A estrutura RR-GEP alcançou uma redução de 42,3% no custo computacional em comparação com a GEP CFD-driven de referência (B-GEP). A taxa de rejeição de modelos foi de 37,8% em média para o RR-GEP, com 47,3% dos candidatos rejeitados apenas na primeira geração.
• Melhoria na Realizabilidade: A estratégia de filtragem reduziu drasticamente a prevalência de modelos não realizáveis na convergência. Enquanto 58,4% dos modelos convergidos na estrutura B-GEP eram não realizáveis, esse número caiu para 1,7% na estrutura RR-GEP.
• Precisão Preditiva: Os modelos RR-GEP melhoraram as previsões da esteira para o caso de treinamento (cilindro), reduzindo o comprimento da bolha de separação de $x/D \approx 4,5$ (RANS de referência) para $2,25$, correspondendo estreitamente aos dados LES. Os modelos também demonstraram melhoria na previsão da tensão de cisalhamento de Reynolds e da energia cinética turbulenta.
• Robustez e Generalização: Os modelos treinados no cilindro circular generalizaram-se com sucesso para geometrias não vistas (cilindro retangular, perfil aerodinâmico, Suboff) e números de Reynolds significativamente mais altos sem perder a realizabilidade. Os modelos mantiveram comportamento de coeficientes limitados e trajetórias de anisotropia consistentes fisicamente em todos os casos de teste.
• Características do Modelo: O processo de filtragem levou a modelos com coeficientes escalares significativamente reduzidos e estritamente limitados em comparação com a referência. Por exemplo, a magnitude média do coeficiente $|\zeta_1|$ diminuiu de $\approx 2,73$ (B-GEP) para $\approx 1,76$ (RR-GEP), indicando uma preferência por formas funcionais mais simples e controladas que evitam a amplificação de tensões não físicas.

Significado
O artigo afirma que a incorporação de restrições de realizabilidade e estabilidade diretamente dentro do aprendizado impulsionado por CFD permite a descoberta eficiente de modelos de turbulência que são tanto numericamente robustos quanto fisicamente consistentes. Ao filtrar precocemente candidatos instáveis e não realizáveis, a estrutura reduz a carga computacional da descoberta de modelos enquanto guia a busca em direção a soluções fisicamente admissíveis. Os resultados demonstram que essa abordagem oferece um caminho escalável para o desenvolvimento de fechamentos baseados em dados confiáveis que generalizam bem em diversas configurações de escoamento e condições operacionais, abordando uma lacuna crítica nos esforços atuais de modelagem de turbulência baseados em aprendizado de máquina.