A Validated LBM Dataset and Pipeline for Surrogate Modeling of Turbulent 3D Obstructed Channel Flows

Resumo Técnico: Um Conjunto de Dados e Pipeline de LBM Validados para Modelagem de Substitutos de Escoamentos Turbulentos 3D em Canais Obstruídos

Definição do Problema
Simulações de Dinâmica de Fluidos Computacional (CFD) de escoamentos turbulentos 3D em números de Reynolds (Re) moderados a altos permanecem computacionalmente proibitivas, mesmo com a paralização moderna em GPU. Embora modelos substitutos (surrogates) de aprendizado de máquina (ML) ofereçam um caminho para acelerar as previsões, sua avaliação rigorosa é dificultada pela falta de conjuntos de dados validados e de alta qualidade que apresentem geometrias complexas. Bancos de dados existentes, como o Johns Hopkins Turbulence Database, focam em configurações canônicas (ex: turbulência isotrópica) em vez de escoamentos 3D ao redor de objetos complexos relevantes para a engenharia. Além disso, a comparação justa de operadores neurais de última geração (ex: Fourier Neural Operators, U-Nets) é difícil sem benchmarks físicos consistentes e métricas que capturem fenômenos turbulentos críticos, como a cascata de energia e a dinâmica de alta frequência.

Metodologia
Os autores apresentam um pipeline reproduzível projetado para gerar dados de treinamento para escoamentos de canal 3D ao redor de geometrias geradas proceduralmente em números de Reynolds variando de 1.000 a 10.000. A metodologia consiste em três estáções primárias:

1. Geração de Geometria e Dados: O pipeline gera objetos derivados (cilindros, retângulos, esferas, toros, cunhas) dentro de um domínio computacional de $2 \times 1 \times 1$ (unidades de altura do canal). As simulações são conduzidas utilizando o framework waLBerla, que fornece implementações do Método de Lattice Boltzmann (LBM) altamente otimizadas e geradas por código.
2. Configuração do Solver: O solver LBM utiliza um stencil D3Q27 com operadores de colisão de cumulantes, oferecendo maior estabilidade numérica e precisão em comparação com modelos padrão de tempo de relaxação múltipla. Para aumentar a precisão em fluxos turbulentos, é empregada uma correção de advecção-difusão de quarta ordem com limitação. Notavelmente, a abordagem captura a cascata de energia sem modelos explícitos de subgrade (SGS) (ex: Smagorinsky), uma vez que os testes indicaram que a adição de modelos SGS reduzia a precisão física neste regime. A interação fluido-sólido utiliza um esquema de bounce-back quadrático para precisão espacial de segunda ordem.
3. Protocolo de Validação: O conjunto de dados é rigorosamente validado contra medições experimentais (especificamente Choi e Park [13] para escoamento de esfera) e benchmarks numéricos. As métricas de validação incluem:
   • Coeficientes de Arrasto: Comparados contra Roos e Willmarth [15] através de várias resoluções de grade para garantir a convergência de grade.
   • Número de Strouhal: Validando a dinâmica de desprendimento de vórtices.
   • Comprimento de Recirculação: Medindo o tamanho da bolha de recirculação.
   • Flutuações Turbulentas: Avaliando a intensidade turbulenta de corrente descendente (streamwise) e estatísticas de flutuação de velocidade.
   • Estruturas Turbulentas: Verificação visual de estruturas coerentes como vórtices de grampo (hairpin vortices).

O conjunto de dados final compreende escoamentos ao redor de 42 objetos gerados proceduralmente, armazenados como arquivos HDF5 em resoluções variando de $64^3$ até $1024 \times 512 \times 512$ (as simulações são executadas na resolução total, armazenadas na metade).

Principais Contribuições

• Pipeline Validado: Um fluxo de trabalho completo e reproduzível para gerar dados de escoamento turbulento 3D ao redor de geometrias complexas, preenchendo a lacuna entre bancos de dados canônicos e cenários relevantes para a engenharia.
• Verificação Rigorosa: A configuração do solver LBM é verificada contra dados experimentais para números de Strouhal, coeficientes de arrasto e flutuações turbulentas, com estudos abrangentes de convergência de grade confirmando a precisão numérica em altas resoluções ($1024 \times 512 \times 512$).
• Benchmarking Padronizado: Este trabalho estabelece um framework para a comparação padronizada de operadores neurais (FNO, U-Net) em tarefas incluindo previsão (forecasting), super-resolução e correção de erro, utilizando métricas informadas pela física.
• Baselines Preliminares: Os autores fornecem benchmarks iniciais de desempenho para arquiteturas de Fourier Neural Operators (FNO) e U-Net prevendo campos de escoamento de tempo médio a partir de máscaras de geometria.

Resultados

• Precisão do Solver: O solver LBM demonstrou comportamento convergente em coeficientes de arrasto, coincidindo com valores experimentais dentro de $\pm 6\%$ em uma resolução de 512 células. Comprimentos de recirculação ($l_r/D \approx 1.8$) e números de Strouhal ($St \approx 0.18$) alinharam-se com os valores da literatura. Snapshots instantâneos reproduziram com sucesso estruturas coerentes de pequena escala, como vórtices de grampo.
• Desempenho do Modelo Substituto (Surrogate): Em testes preliminares de baseline prevendo campos de velocidade média de corrente descendente:
  • O U-Net (5 camadas) alcançou as menores taxas de erro (MSE: $1.22 \times 10^{-4}$, NRMSE: 0.0159) e o maior throughput (32.87 amostras/s).
  • As variantes do FNO (Original, Hybrid, Factorized) mostraram erros mais altos (MSE variando de $6.01 \times 10^{-4}$ a $11.13 \times 10^{-4}$) e menor throughput em comparação ao U-Net.
  • O U-Net é identificado como o candidato mais promissor para pesquisas futuras com base nestes resultados iniciais.

Significância e Trabalho Futuro
O artigo posiciona este trabalho como um passo fundamental para o avanço de redes neurais baseadas em física e solvers numéricos diferenciais híbridos. Ao fornecer um conjunto de dados e um pipeline validados, os autores visam permitir comparações justas e sistemáticas de operadores neurais em regimes de escoamento turbulento.

Os autores declaram explicitamente que os resultados de baseline atuais servem apenas como demonstrações de prova de conceito, carecendo de ajuste de hiperparâmetros abrangente e estimativa de variância. O trabalho futuro delineado no artigo inclui:

• Avaliação sistemática de variantes de U-Net e FNO em tarefas de previsão, super-resolução e correção de erro.
• Implementação de funções de perda expandidas combinando componentes adversariais e espectrais para abordar o viés espectral (a tendência de suavizar estruturas de pequena escala).
• Exploração de mecanismos de atenção em U-Nets e FNOs condicionadas ao tempo.
• Uma comparação rigorosa dos custos computacionais entre solvers tradicionais e substitutos neurais para avaliar a aplicabilidade prática.

Os autores convidam a comunidade para feedback sobre sua abordagem de validação e prioridades de avaliação, enfatizando que o objetivo final é apoiar o desenvolvimento de modelos substitutos eficientes e fisicamente precisos para escoamentos turbulentos 3D.