Neural-Network-based Viscosity Closure for Non-Newtonian Multiphase Flows

Este artigo apresenta um fluxo de trabalho prático que integra uma rede neural treinada em dados reométricos experimentais como um fechamento de viscosidade dentro de um solver de elementos finitos Cahn–Hilliard–Navier–Stokes, validando com sucesso a abordagem ao simular com precisão a dinâmica de ascensão e as formas de tintas de silicone não newtonianas sem a necessidade de modificações no solver.

O essencial

Imagine que você está tentando simular como uma gota de tinta espessa e viscosa se move através de um banho de líquido. No mundo real, essa tinta não se comporta como a água; ela é "não-newtoniana". Isso significa que sua espessura (viscosidade) muda dependendo da velocidade com que você a mexe ou a aperta. Se você a empurra com força, ela pode ficar mais fluida (como o ketchup) ou mais espessa (como amido de milho e água).

Tradicionalmente, cientistas da computação que tentam simular isso precisam adivinhar uma fórmula matemática específica (como uma equação "Carreau–Yasuda") para descrever como a tinta se comporta. Mas, se você inventar uma nova tinta, terá que parar, derivar uma nova fórmula e reescrever o código do computador toda vez. É como tentar dirigir um carro onde você tem que reconstruir manualmente o motor toda vez que muda o tipo de combustível.

Este artigo apresenta uma maneira mais inteligente e flexível de fazer isso usando Inteligência Artificial (IA).

O "Substituto Inteligente" (A Rede Neural)

Em vez de forçar o computador a usar uma fórmula matemática rígida, os pesquisadores treinaram uma "rede neural" (um tipo de cérebro de IA) para atuar como um substituto inteligente para o comportamento da tinta.

1. Aprendendo com a Experiência: Eles pegaram dados do mundo real de uma máquina que media como suas tintas de silicone específicas reagiam ao serem mexidas em diferentes velocidades.
2. O Treinamento: Eles ensinaram a IA a observar a velocidade da mistura e prever exatamente quão espessa a tinta estaria naquele momento.
3. A Regra da "Suavidade": Para garantir que a IA não ficasse confusa ou fizesse palpites selvagens e irreais (como prever que a tinta se transforma instantaneamente em uma rocha sólida), eles adicionaram uma regra chamada "regularização de Lipschitz". Pense nisso como um limite de velocidade para o aprendizado da IA. Ela força a IA a fazer previsões suaves e graduais, em vez de previsões irregulares e erráticas.

O "Tradutor Universal" (ONNX)

Normalmente, se você treina uma IA, precisa reescrever seu software de simulação de física para entender essa IA específica. Isso é lento e propenso a erros.

Os pesquisadores usaram um formato chamado ONNX (Open Neural Network Exchange). Imagine isso como um tradutor universal ou um pendrive padrão. Eles salvaram a IA treinada neste formato. Agora, o software de simulação de física pode simplesmente "conectar" o arquivo da IA e perguntar: "Ei, qual é a viscosidade nesta velocidade?", sem precisar ser reescrito. A IA faz o trabalho pesado e o software de simulação apenas escuta.

O Teste de Direção: A Bolha Ascendente

Para provar que este sistema funciona, eles realizaram dois tipos de testes:

1. O Teste do "Livro Didático": Eles simularam uma bolha subindo em um fluido onde já conheciam a fórmula matemática exata. Eles compararam a simulação impulsionada pela IA contra a matemática conhecida.

   • Resultado: A IA correspondeu perfeitamente à matemática. Provou que o sistema "plug-and-play" funciona.

2. O Teste do "Mundo Real": Eles criaram duas misturas de tinta de silicone reais em um laboratório. Eles filmaram essas gotas de tinta subindo através de um líquido especial (perfluorodecalina) usando uma câmera de alta velocidade.

   • Eles alimentaram a simulação com os dados reais do laboratório.
   • Eles deixaram o computador simular a subida das gotas.
   • Resultado: A simulação do computador previu a velocidade e a forma das gotas ascendentes quase exatamente como elas apareciam no vídeo da vida real. As gotas simuladas pareciam as gotas reais e subiam na mesma velocidade.

Por que Isso Importa (Segundo o Artigo)

O artigo afirma que este é um caminho prático para a manufatura aditiva (como a impressão 3D). Quando se imprime com materiais complexos (como as tintas usadas em Processamento de Luz Digital ou Escrita Direta de Tinta), o comportamento do material é difícil de prever.

Este novo fluxo de trabalho permite que engenheiros:

• Peguem dados reais de laboratório de um novo material.
• Treinem um pequeno modelo de IA sobre esses dados.
• Conectem esse modelo diretamente em uma simulação para ver como o material fluirá durante a impressão.

Em resumo: Eles construíram um sistema onde você não precisa ser um matemático para descrever o comportamento de um fluido. Você apenas o mede, treina uma pequena IA e deixa o computador descobrir o resto, tudo isso mantendo a simulação rodando de forma suave e precisa.

Resumo técnico

Resumo Técnico: Fechamento de Viscosidade Baseado em Redes Neurais para Escoamentos Multifásicos Não Newtonianos

Definição do Problema
Os materiais utilizados na manufatura aditiva baseada em polímeros, como a Litografia Digital por Luz (DLP) e a Escrita Direta de Tinta (DIW), exibem tipicamente uma reologia não newtoniana complexa. Embora modelos constitutivos padrão, como as formulações de Carreau–Yasuda e de lei de potência, descrevam eficazmente comportamentos básicos de pseudoplasticidade (shear-thinning) ou dilatância (shear-thickening), eles possuem limitações significativas. Suas formas funcionais fixas e de baixa dimensionalidade exigem que pesquisadores derivem novas equações e as reimplementem dentro de solvers de escoamento para cada novo sistema de material ou comportamento reológico (ex: viscoelasticidade, tixotropia). Além disso, ajustes empíricos nem sempre garantem credibilidade física, e substitutos (surrogates) baseados em dados frequentemente requerem regularização cuidadosa para evitar oscilações não físicas quando integrados em solvers de alta fidelidade. Há uma carência de fluxos de trabalho estabelecidos que implantem substitutos constitutivos treinados em reometria experimental diretamente dentro de solvers de escoamento multifásico sem a modificação do solver.

Metodologia
Os autores apresentam um fluxo de trabalho de implantação integrando uma rede neural (RN) treinada em dados de reometria experimental como um fechamento de viscosidade dentro de um solver de elementos finitos de Cahn–Hilliard–Navier–Stokes (CHNS). A metodologia compreende três componentes principais:

1. Formulação e Treinamento da Rede Neural:

   • Uma rede neural feedforward totalmente conectada é treinada para mapear a taxa de cisalhamento local ($\dot{\gamma}$) para a viscosidade ($\eta$).
   • Para garantir que a função aprendida seja adequada para uso como um fechamento constitutivo, aplica-se a regularização de Lipschitz durante o treinamento. Isso adiciona uma penalidade ao gradiente de entrada na função de perda, limitando a derivada da saída da rede. Isso evita que a rede sofra overfitting de ruídos com funções altamente oscilatórias e garante previsões suaves e fisicamente plausíveis, particularmente durante a extrapolação fora do intervalo de taxa de cisalhamento de treinamento.
   • A arquitetura da rede consiste em duas camadas ocultas com 64 neurônios cada, utilizando ativações de tangente hiperbólica (Tanh). O treinamento é realizado em espaço log–log para lidar com dados que abrangem várias décadas.

2. Integração no Solver via ONNX:

   • A rede treinada é exportada para o formato Open Neural Network Exchange (ONNX).
   • O solver CHNS consulta a rede em tempo de execução via runtime do ONX em cada iteração. O solver passa a taxa de cisalhamento local para o modelo e recebe a viscosidade correspondente.
   • Esta abordagem permite a integração de modelos constitutivos neurais em estruturas de escoamento multifásico existentes sem modificar o código do solver ou reimplementar a arquitetura da rede no ambiente C++/Fortran do solver.

3. Estrutura Numérica:

   • O solver utiliza uma estratégia de passo de tempo iterativa em bloco, resolvendo as equações de Cahn–Hilliard seguidas pelas equações de Navier–Stokes.
   • A estrutura emprega uma infraestrutura de Refinamento de Malha Adaptativo (AMR) paralela baseada em octree para concentrar a resolução na interface fluida, resolvendo eficientemente os gradientes íngremes nas fronteiras de fase.

Principais Contribuições

• Fluxo de Trabalho de Implantação: O artigo estabelece um caminho prático para implantar substitutos reológicos treinados experimentalmente dentro de solvers de elementos finitos usando ONNX, eliminando a necessidade de modificação do solver.
• Regularização de Lipschitz: A aplicação da regularização de Lipschitz durante o treinamento é demonstrada como um mecanismo crítico para produzir previsões de viscosidade suaves adequadas para fechamentos constitutivos, abordando o risco de oscilações não físicas em modelos baseados em dados.
• Validação em Dados Sintéticos e Reais: O fluxo de trabalho é validado tanto contra benchmarks sintéticos (leis de Carreau–Yasuda analíticas) quanto contra dados experimentais reais (formulações de tinta de silicone), demonstrando robustez em comportamentos constitutivos monotônicos e não monotônicos.

Resultos
O estudo valida o framework através de dois conjuntos primários de experimentos:

1. Validação de Benchmark (Dados Sintéticos):

   • O solver foi testado contra casos de referência de ascensão de bolhas em fluidos pseudoplásticos (Pang e Lu [26]) com variando índices de lei de potência e números de Weber.
   • Simulações usando o fechamento de rede neural (treinado em dados sintéticos de Carreau–Yasuda) produziram formas de bolhas e velocidades de ascensão visualmente indistinguíveis das utilizadas com o fechamento analítico de Carreau–Yasuda.
   • Os resultados da rede neural também coincidiram com os valores da literatura de referência, confirmando a consistência do solver e a fidelidade do pipeline neural.
   • Uma lei constitutiva não monotônica sintética (pseudoplasticidade seguida de dilatância) foi modelada com sucesso, com a rede neural reproduzindo os resultados analíticos sem alterações arquiteturais.

2. Validação Experimental (Dados Reais):

   • Duas formulações de tinta de silicone (Materiais A e B com diferentes teores de sílica pirogênica) foram caracterizadas via reometria.
   • A dinâmica de ascensão de gotas foi registrada via vídeo de alta velocidade em um banho de perfluorodecalina.
   • As redes neurais foram treinadas nos dados reométricos experimentais e usadas para simular a ascensão dessas gotas.
   • Concordância de Forma: As formas de gotas em estado estacionário simuladas concordaram com as observações experimentais. As distâncias de Hausdorff variaram de 0,044 a 0,079, e as distâncias de Chamfer de 0,040 a 0,062 (normalizadas pelo tamanho médio da gota), indicando desvios dentro de aproximadamente 4–8% do tamanho da gota.
   • Concordância de Velocidade: As velocidades de ascensão simuladas caíram dentro da dispersão medida experimentalmente para todos os quatro casos independentes (dois materiais, dois calibres de agulha).
   • Custo Computacional: O custo de inferência da rede neural foi insignificante comparado aos custos de álgebra linear das resoluções de Navier–Stokes e Cahn–Hilliard.

Significância
O artigo afirma contribuir para a crescente literatura sobre a integração de fechamentos constitutivos neurais em simulações multifísicas. Ele demonstra um método prático e agnóstico ao solver para substituir leis constitutivas paramétricas tradicionais por substitutos baseados em dados treinados em medições experimentais. Ao reproduzir com sucesso dinâmicas de ascensão e formas de gotas complexas para materiais reais sem a necessidade de novas derivações analíticas ou reescritas de solver, o trabalho fornece um caminho viável para simular escoamentos multifásicos não newtonianos em manufatura aditiva e outras aplicações onde a reologia do material é complexa ou difícil de capturar com formas funcionais padrão. Os autores enfatizam que a regularização de Lipschitz é essencial para garantir a estabilidade e a plausibilidade física desses fechamentos baseados em dados dentro do solver.