Resumo Técnico: Fragmentação de Interface de Aprendizado

Declaração do Problema

O projeto de bicos de pulverização exige a previsão de como a geometria do bico influencia a fragmentação do escoamento bifásico transiente. Embora simulações de Volume de Fluido (VOF) de alta fidelidade com Refinamento de Malha Adaptativa (AMR) possam modelar esses fenômenos com precisão, elas são computacionalmente proibitivas para a exploração iterativa de design. Uma única solução direta pode levar horas em CPUs multi-core devido à necessidade de passos de tempo pequenos para resolver interfaces finas e em rápida evolução, além do acoplamento rígido entre as equações de Navier-Stokes, advecção VOF e tensão superficial.

Modelos substitutos neurais padrão enfrentam desafios únicos neste cenário:

1. Discretização Dinâmica: A malha AMR subjacente evolui com o tempo e muda com a geometria, tornando representações de grade fixa insuficientes.
2. Dinâmicas Complexas: Escoamentos multifásicos envolvem descontinuidades, mudanças de topologia e dinâmicas de interface altamente não lineares.
3. Acoplamento Geometria-Escoamento: As abordagens existentes tipicamente condicionam-se à geometria em configurações simplificadas de estado estacionário ou aprendem representações latentes de dinâmicas complexas sem condicionamento geométrico explícito. Há uma carência de representações conjuntas que capturem simultaneamente a geometria do bico e a evolução transiente multifásica.

Metodologia

Os autores propõem um substituto latente condicionado pela geometria treinado em 797 simulações de bicos bifásicos. A inovação central é codificar o campo de densidade de células AMR (um proxy de onde o solver concentra a resolução) em vez do estado de fluxo completo de múltiplos canais. Isso transforma a discretização adaptativa de um subproduto computacional em um sinal aprendível.

A arquitetura consiste em dois estágios:

Estágio 1: Representação Latente Compartilhada (VAE)

Este estágio aprende um vetor latente compacto e independente do tempo $z$ que acopla a geometria do bico e a evolução do escoamento transiente.

• Encoder: Um Operador de Redes de Fourier (FNO) mapeia um único snapshot de densidade ($\kappa$) para parâmetros latentes $(\mu, \log \sigma^2)$. O encoder é cego ao tempo.
• Decoder (Fluxo): Um decoder SIREN (Rede de Representação Sinusoidal) condicionado ao tempo reconstrói a evolução da densidade transiente $\hat{\kappa}(x, y; t)$ a partir do código latente $z$, tempo $t$ e coordenadas espaciais. Ele utiliza condicionamento FiLM com características de Fourier espaciais multiescala e características temporais sinusoidais.
• Cabeça de Geometria: Uma Representação Neural Implícita (INR) 1D decodifica as fronteiras das paredes do bico ($y_{upper}(x), y_{lower}(x)$) a partir do mesmo código latente $\mu$.
• Treinamento: O modelo é treinado de ponta a ponta apenas com supervisão de densidade e parede do bico, utilizando uma função de perda que inclui erro de reconstrução, erro de geometria e uma penalidade de divergência KL de free-bits para evitar o colapso do posterior.

Estágio 2: Preditor de Campo

Um U-Net leve é treinado separadamente para mapear o proxy de densidade reconstruído $\hat{\kappa}$ para as demais variáveis de fluxo: fração de volume ($f$) e velocidades ($u, v$). Este estágio opera sob a premissa de que a densidade atua como um sinal espacial esparso que condiciona os campos de velocidade e fração de volume definidos globalmente.

Estratégias de Inferência

O framework suporta dois caminhos de inferência:

1. Baseado em Snapshot: Dada uma captura de densidade, o encoder produz $z$, que é então varrido através do tempo para reconstruir a trajetória completa.
2. Apenas Geometria: Dada uma geometria de bico alvo $g^*$ sem um snapshot de fluxo, o latente $z^*$ é recuperado via otimização restrita no espaço latente para minimizar a distância entre a geometria decodificada e $g^*$.

Principais Contribuições

1. Densidade de Células AMR como Representação: O artigo introduz o campo de densidade de células AMR como uma representação compacta e aprendível para modelagem de escoamento bifásico transiente, aproveitando a estrutura de malha adaptativa como um proxy compacto para a complexidade do escoamento.
2. Acoplamento Latente Compartilhado: Propõe-se uma representação latente compartilhada que acopla a geometria do bico e a evolução do escoamento transiente. Isso permite a reconstrução geométrica e a decodificação de fluxo dependente do tempo a partir de um único código compacto. Crucialmente, permite a recuperação de um latente utilizável apenas a partir da geometria via otimização restrita.
3. Inferência de Passo Único Eficiente: O método demonstra inferência de substituto rápida de passo único (sem rollout autorregressivo), reduzindo o tempo de previsão de trajetória de horas de CPU para milissegundos, enquanto preserva as principais dinâmicas de interface.

Resultados

O modelo foi avaliado em 81 simulações de teste retidas (aproximadamente 3.155 snapshots) com uma divisão rigorosa por nível de simulação.

• Precisão de Reconstrução:
  • Densidade: Alcançou um Erro Quadrático Médio (MSE) de teste de $2.74 \times 10^{-3}$ (PSNR 30.2 dB).
  • Geometria: Decodificou as paredes do bico com um Erro Absoluto Médio (MAE) de $1.13 \times 10^{-2}$ em coordenadas físicas.
  • Campos de Fluxo: O U-Net do Estágio-2 alcançou MSEs de teste de $1.33 \times 10^{-3}$ para fração de volume, $2.50 \times 10^{-3}$ para velocidade no sentido do fluxo ($u$) e $1.60 \times 10^{-3}$ para velocidade transversal ($v$).
• Aceleração: O tempo de inferência é de aproximadamente 0,045 segundos por trajetória em uma GPU Apple M4, representando uma aceleração de mais de $6 \times 10^4$ em relação ao solver de CFD de referência Basilisk (que leva 45–90 minutos em 12 núcleos de CPU).
• Generalização vs. Vizinho Mais Próximo: O substituto superou um baseline de vizinho mais próximo (baseado em distância geométrica) em aproximadamente 2x em MSE médio em todos os canais, indicando que aprendeu mapeamentos não triviais de geometria-para-fluxo em vez de simples recuperação de forma.
• Inversão Apenas por Geometria: Ao recuperar o latente puramente pela geometria (sem um snapshot de fluxo), o método fechou 55% da lacuna de desempenho em comparação com um oráculo do encoder que tinha acesso ao snapshot de densidade real.

Significância e Alegações

O artigo afirma que a estrutura de refinamento AMR pode servir como uma representação compacta e aprendível para modelagem substituta condicionada pela geometria de escoamentos bifásicos transientes. Ao codificar a própria estratégia de resolução do solver, o modelo evita a necessidade de aprender o estado completo de alta dimensão diretamente.

Os autores posicionam este trabalho como um passo fundamental em direção a fluxos de trabalho de design impulsionados pela geometria em sistemas multifásicos. Eles argumentam que tais representações latentes compartilhadas são um bloco de construção natural para o design inverso, onde geometria e dinâmicas estão intrinsecamente acopladas.

Limitações e Escopo:
Os autores são modestos quanto ao escopo de suas alegações:

• Os dados de treinamento são limitados a 797 simulações dentro de uma família específica de bicos NURBS de três parâmetros e um único regime Reynolds–Weber.
• O preditor do Estágio-2 é treinado independentemente, o que significa que erros na reconstrução da densidade propagam-se para as previsões de velocidade e fração de volume.
• A representação está atrelada ao solver específico (Basilisk) e à estratégia de refinamento utilizada; a transferibilidade para outros solvers ainda não foi estabelecida.
• A validação contra execuções de CFD independentes ou medições experimentais é mencionada como necessária para uso operacional, mas está além do escopo atual.

Trabalhos futuros são identificados como a extensão para espaços de design de maior dimensão, adição de cabeças para observáveis de distribuição de gotas e validação de designs otimizados através de simulações de alta fidelidade independentes para fechar o ciclo entre o design aprendido e a realidade física.