Assisted Turbulence Modeling via Data Assimilation and Machine Learning for Turbomachinery Flows

No mundo da aviação, o motor é o coração, mas o compressor é os pulmões. Este componente, um conjunto de lâminas giratórias dentro de um tubo metálico, deve sugar o ar, comprimi-lo intensamente e empurrá-lo em direção à câmara de combustão com uma eficiência incrível. Se o ar não fluir suavemente, o motor pode estolar, perder potência ou até falhar. Durante décadas, os engenheiros têm dependido de duas ferramentas principais para compreender este fluxo complexo: experimentos físicos em túneis de vento e simulações computacionais. Os experimentos são precisos, mas caros e difíceis de realizar dentro de uma máquina giratória. As simulações computacionais são baratas e flexíveis, mas muitas vezes têm dificuldade em prever a turbulência caótica e turbulenta do ar com perfeição. O desafio sempre foi como obter o melhor de ambos os mundos: a confiabilidade dos dados do mundo real e a visão ampla de um modelo computacional, sem gastar uma fortuna ou esperar anos pelos resultados.

Uma equipa de investigadores da Arts et Métiers, em França, desenvolveu uma nova forma de colmatar esta lacuna, focando-se num compressor de teste específico conhecido como CME2. Eles criaram um sistema híbrido que primeiro combina medições experimentais limitadas com simulações computacionais para construir uma imagem altamente precisa do fluxo de ar. Depois, ensinaram um programa de computador a aprender com esta imagem melhorada, criando uma ferramenta que possa prever o fluxo com precisão por conta própria no futuro. O objetivo era corrigir os erros das simulações computacionais padrão para que pudessem corresponder à qualidade dos experimentos caros, mas sem precisar que os experimentos estivessem presentes cada vez que uma nova conta fosse executada.

Os investigadores começaram com um banco de testes de um compressor de estágio único em Lille, França. Esta máquina faz girar um rotor com trinta lâminas e um conjunto estacionário de quarenta lâminas. Para ver o que estava a acontecer no interior, utilizaram uma técnica chamada Velocimetria de Imagem de Partículas. Este método envolve a dispersão de pequenas partículas de fumo no ar e o disparo de uma folha de laser através da máquina para as iluminar. Uma câmara de alta velocidade captura o movimento destas partículas, permitindo à equipa mapear a velocidade do ar em três fatias específicas ao longo da altura das lâminas. No entanto, estas medições existem apenas nessas três fatias finas; o resto da máquina permanece um ponto cego.

Para preencher as lacunas, a equipa executou simulações computacionais utilizando dois níveis diferentes de detalhe. Uma simulação era um modelo constante e simplificado que corria rapidamente, mas perdia alguns dos detalhes complexos e variáveis do fluxo. A outra era uma simulação muito mais detalhada e instável, que capturava a turbulência giratória, mas exigia um poder computacional massivo e ainda apresentava algumas imprecisões. Os investigadores utilizaram então um método estatístico chamado assimilação de dados para fundir estas três fontes de informação: as medições esparsas do laser, a simulação rápida e a simulação detalhada. Este processo funcionou como um filtro inteligente, pegando nas previsões computacionais grosseiras e ajustando-as para coincidir com os dados reais do laser onde estes existiam, enquanto utilizava a física dos modelos computacionais para preencher o resto da máquina. O resultado foi um mapa completo e de alta qualidade do fluxo de ar, que era muito mais preciso do que qualquer fonte individual poderia ser por si só.

Com este novo e superior mapa em mãos, os investigadores enfrentaram um novo desafio. O processo de assimilação de dados era poderoso, mas exigia que as medições do laser estivessem presentes durante o cálculo. Eles queriam uma ferramenta que pudesse produzir este mesmo resultado de alta qualidade sem precisar dos dados do laser todas as vezes. Para alcançar isto, recorreram ao aprendizado de máquina (machine learning). Treinaram uma rede neuronal, um tipo de programa de computador concebido para reconhecer padrões, utilizando os dados do seu mapa melhorado. O programa aprendeu a observar características locais do fluxo, tais como a velocidade do ar e a rapidez com que essa velocidade mudava, e depois a prever um termo de correção. Este termo de correção era essencialmente um "empurrão" matemático que poderia ser adicionado às equações computacionais padrão para forçá-las a comportar-se mais como o fluxo real de alta qualidade.

Quando testaram estas ferramentas de aprendizado de máquina, os resultados foram promissores, mas revelaram uma limitação crítica. Quando a ferramenta foi treinada com dados do meio da lâmina, funcionou muito bem nessa região, reduzindo significativamente o erro em comparação com a simulação padrão. No entanto, quando a ferramenta treinada no meio da lâmina foi aplicada à ponta da lâmina, ou vice-versa, as previsões tornaram-se pouco fiáveis. Na área mais complexa, perto das pontas das lâminas onde o ar gira violentamente, um único modelo de aprendizado de máquina treinado numa parte da máquina tornou a simulação computacional pior do que era antes. O modelo simplesmente não conseguiu generalizar o seu conhecimento para um ambiente físico tão diferente.

Para resolver isto, os investigadores desenvolveram uma estratégia conhecida como "mistura de especialistas" (mixture of experts). Em vez de depender de um único programa de computador que tudo sabe, criaram um sistema que atua como um controlador de tráfego. Este controlador observa a localização dentro da máquina e decide qual das três ferramentas especializadas de aprendizado de máquina é a mais adequada para aquele local específico. Se o ar estiver perto do cubo, utiliza a ferramenta treinada com dados do cubo; se estiver perto da ponta, muda para a ferramenta treinada com dados da ponta. Ao misturar estes especialistas especializados, o sistema conseguiu manter uma alta precisão em toda a máquina. O resultado final foi um modelo que reduziu o erro na simulação computacional para um nível muito próximo do mapa de assimilação de dados de alta qualidade, mas sem necessidade de quaisquer dados experimentais durante o cálculo.

O estudo demonstra que, embora o aprendizado de máquina possa melhorar dramaticamente as simulações computacionais de maquinaria complexa, um único modelo é frequentemente insuficiente para lidar com todas as situações. Ao combinar as forças da assimilação de dados com um sistema inteligente que alterna entre ferramentas de aprendizado especializadas, os investigadores criaram um método robusto que preserva a precisão mesmo nas regiões mais difíceis do fluxo. Esta abordagem oferece um caminho para o design de motores de aeronaves mais eficientes e seguros, permitindo que os engenheiros confiem em modelos computacionais que são tão dignos de confiança quanto os experimentos físicos, mas muito mais rápidos e baratos de utilizar.