Information-Based Symbolic Regression of Local Closures for RANS Transition Modeling

No mundo da aerodinâmica, o ar que flui sobre uma asa ou uma pá de turbina nem sempre se comporta da mesma maneira. No início de sua jornada, o ar move-se em camadas suaves e ordenadas, um estado conhecido como fluxo laminar. Mas, à medida que viaja, essas camadas podem subitamente romper-se em uma confusão caótica e turbulenta chamada turbulência. Essa mudança, conhecida como transição, é um momento crítico. Ela altera o quanto de fricção o ar exerce na superfície, como o calor é transferido e, por fim, quanto de sustentação ou arrasto um objeto experimenta. Para engenheiros que projetam desde turbinas eólicas até motores de jato, prever exatamente onde e quando essa troca acontece é um dos desafios mais persistentes da física moderna.

Para simular esses fluxos em um computador, os cientistas utilizam um conjunto de equações que fazem a média das flutuações minúsculas e rápidas da turbulência. No entanto, essas equações de média possuem um ponto cego: elas não conseguem naturalmente enxergar a transição do fluxo suave para o caótico. Para corrigir isso, os engenheiros adicionam regras extras, chamadas "fechamentos" (closures), que atuam como sensores locais. Esses sensores tentam adivinhar o estado do fluxo usando apenas a informação disponível em um único ponto, em vez de observar todo o campo de fluxo. O problema é que essas regras existentes são frequentemente aproximações grosseiras, construídas com base em dados antigos e suposições simplificadas. Elas funcionam razoavelmente bem para algumas situações, mas podem falhar quando as condições mudam, levando a previsões imprecisas para aeronaves ou maquinários.

Uma equipe de pesquisadores da Espanha e da França agora lançou um novo olhar sobre esses sensores locais. Em vez de depender da tradicional tentativa e erro ou de modelos computacionais complexos e inexplicáveis, eles utilizaram um método que combina a teoria da informação com a regressão simbólica. Pense nisso como uma forma de deixar os dados falarem por si mesmos, buscando a frase matemática mais simples e precisa que descreva a realidade física. Ao analisar uma vasta biblioteca de soluções idealizadas de fluxo de fluidos, eles descobriram novas formas mais precisas de calcular o estado local do ar. Em seguida, testaram essas novas fórmulas em uma simulação completa de uma placa plana, um caso de teste padrão na aerodinâmica. Os resultados mostraram que, embora as novas fórmulas fossem muito mais precisas ao descrever a física local, o sucesso delas em prever o momento real da transição dependia fortemente das condições específicas do fluxo, revelando que melhorar uma parte de um sistema complexo nem sempre garante um melhor resultado global.

Os pesquisadores começaram seu trabalho criando um ambiente controlado para estudar a transição. Eles utilizaram uma famosa família de soluções matemáticas conhecidas como perfis de Falkner-Skan. Essas soluções descrevem como o ar flui sobre uma superfície plana sob diferentes condições de pressão, variando de ar sendo empurrado para frente a ar sendo desacelerado. Neste mundo teórico perfeito, os pesquisadores sabiam a resposta exata para duas quantidades fundamentais: a espessura de momento, que mede o quanto o fluxo de ar desacelerou devido à fricção, e um parâmetro de gradiente de pressão, que mede como a pressão muda ao longo da superfície. Essas quantidades são vitais para prever a transição, mas, em uma simulação computacional real, elas não estão diretamente disponíveis. Engenheiros geralmente precisam estimá-las usando pistas locais, como a distância da parede ou a velocidade do ar nas proximidades.

O primeiro passo da equipe foi determinar quais pistas locais continham a informação mais útil. Eles trataram o problema como uma busca pelo sinal mais informativo. Utilizando uma técnica baseada na teoria da informação, testaram milhares de combinações possíveis de variáveis locais para ver quais delas melhor previam as respostas exatas e conhecidas de seu banco de dados teórico. Descobriram que, para o parâmetro de gradiente de pressão, a pista mais informativa era uma combinação específica de como a velocidade do ar mudava perpendicularmente à parede e o quadrado da distância da parede. Isso não foi uma surpresa, pois coincidia com a estrutura da fórmula antiga existente, confirmando que a intuição antiga era fisicamente sólida. No entanto, para a espessura de momento, a busca revelou um candidato melhor. O método tradicional baseava-se em uma variável baseada na rotação do fluido, mas a nova análise mostrou que uma razão simples envolvendo a velocidade local e a distância da parede era muito mais consistente e confiável através de diferentes condições de fluxo.

Com essas pistas superiores identificadas, os pesquisadores passaram para a segunda etapa: encontrar a fórmula matemática exata que conecta as pistas locais aos valores reais. Eles utilizaram uma ferramenta chamada regressão simbólica, que atua como um alquimista digital. Em vez de forçar os dados em uma forma pré-escolhida, essa ferramenta gera e testa milhões de possíveis expressões matemáticas, mantendo apenas aquelas que são simultaneamente precisas e simples. O objetivo era encontrar uma equação compacta que pudesse ser facilmente escrita em código de computador. O resultado foi um conjunto de novas fórmulas explícitas que reconstruíram as quantidades físicas reais com uma precisidade muito maior do que os métodos padrão. Para o parâmetro de gradiente de pressão, a nova fórmula era um polinômio complexo que capturava nuances sutis que a antiga fórmula linear perdia. Para a espessura de momento, a melhor fórmula revelou-se uma relação linear notavelmente simples, que era tanto altamente precisa quanto fácil de implementar.

O verdadeiro teste, contudo, não foi apenas o quão bem essas fórmulas funcionavam isoladamente, mas como elas se comportariam quando inseridas em uma simulação completa e funcional de um modelo de transição. A equipe implementou suas novas fórmulas em um modelo de uma equação padrão usado em softwares de engenharia e executou simulações da série ERCOFTAC T3, um famoso conjunto de experimentos envolvendo ar fluindo sobre uma placa plana sob várias condições. Esses experimentos incluíam casos com alta turbulência, baixa turbulência e diferentes gradientes de pressão. Os resultados foram reveladores. Em vários casos, particularmente aqueles com turbulência moderada a alta ou gradientes de pressão fortes, as novas fórmulas melhoraram a previsão de onde a transição ocorreria. A simulação aproximou-se mais dos dados experimentais do que o modelo original.

No entanto, a história não foi uma vitória simples. Em dois casos específicos envolvendo intensidade de turbulência muito baixa, as novas fórmulas na verdade pioraram as previsões. A transição foi prevista para acontecer cedo demais em um caso e tarde demais no outro. Este resultado destacou uma lição crucial de modelagem complexa: melhorar um componente individual não conserta automaticamente a máquina inteira. O modelo de transição é um equilíbrio delicado de muitas partes que interagem entre si. Quando os pesquisadores substituíram as fórmulas locais, eles alteraram o equilíbrio de todo o sistema. Em alguns cenários, as novas fórmulas, mais precisas, expuseram fraquezas em outras partes do modelo, como a forma como o sistema estima a intensidade da turbulência incidente. Os pesquisadores observaram que as regras existentes para estimar essa intensidade de turbulência poderiam precisar de atualização para acompanhar as novas e mais precisas fórmulas locais. Sem tais ajustes, os benefícios das novas fórmulas poderiam ser perdidos ou até revertidos.

O estudo conclui que, embora a regressão simbólica baseada em informação seja uma ferramenta poderosa para criar regras locais mais claras e precisas, ela não é uma solução mágica que resolve todo o problema da modelagem de transição. As novas fórmulas fornecem uma representação mais fiel da física local, oferecendo uma base sólida para melhorias futuras. No entanto, os pesquisadores enfatizam que, para que essas novas regras funcionem perfeitamente em todas as situações, a arquitetura do restante do modelo pode precisar de recalibração. O trabalho sugere um caminho a seguir onde métodos baseados em dados podem refinar sistematicamente os blocos de construção dos modelos de turbulência, mas também serve como um lembrete de que, no complexo mundo da dinâmica de fluidos, cada peça deve se encaixar perfeitamente para que a imagem completa emerja. Os pesquisadores planejam estender seu trabalho para fluxos tridimensionais mais complexos e revisitar as outras partes do modelo para ver se podem ser melhoradas da mesma forma, visando um futuro onde as previsões de transição sejam tão confiáveis e transparentes quanto a própria física que descrevem.