Non-Newtonian viscous fluid models with learned rheology accurately reproduce… — 通俗解释

想象一下北冰洋是一个由数百万个独立的冰块（或称“冰片”）组成的巨大、冰冻的拼图。这些冰块漂流、碰撞、相互摩擦，有时还会堆叠成脊状。几十年来，科学家们一直试图通过计算机模型来预测这个巨大拼图是如何移动的。

旧方法：粗略的猜测
传统上，科学家将海冰视为一种厚重、粘稠的流体（类似于蜂蜜或油漆）。他们使用了一个有50年历史的“配方”来猜测在压力下冰的“粘度”或“稠度”。这个配方在海洋中心冰层密集时表现尚可，但当冰层变薄或靠近边缘时就会失效。这就像是试图通过假设每个人都是一个单一、坚固的粘土块来预测人群的移动方式；它忽略了人们会互相碰撞、滑动和推挤的个体事实。

新方法：向“粒子”学习
本文的作者想要一个更好的配方。他们从一种名为“离散元法”（Discrete Element Method, DEM）的超详细计算机模拟开始。你可以把它想象成一款高端视频游戏，其中每一块冰都是一个拥有独立物理属性的独立角色。它会计算每一次碰撞和每一个摩擦点。这种方法极其精确，但由于计算量过于庞大，以至于无法在整个全球海洋范围内运行。

于是，团队提出了一个问题：能否教一个更简单的模型去模仿这个超详细的游戏？

解决方案：“智能”流体
他们构建了一个新模型，再次将冰视为一种流体，但不再使用固定的、陈旧的配方来决定其“厚度”，而是利用**人工智能（AI）**来实时学习这个配方。

以下是他们如何实现的，使用了简单的类比：

老师： 超详细的“视频游戏”（DEM）充当老师。它运行模拟并展示冰移动的速度和方向。
学生： 新的、更简单的流体模型充当学生。它拥有一个“大脑”（神经网络），用于猜测在任何给定时刻冰的粘度。
课程： 学生试图模仿老师的结果。如果学生对冰速的预测错误，AI大脑就会调整其内部设置，以尽可能接近老师的答案。
规则手册： 至关重要的一点是，他们并没有让AI进行盲目猜测。他们强制要求AI遵循物理定律（如能量守恒和对称性），以确保结果符合现实世界的逻辑。

他们的发现
通过让AI向详细的模拟实验学习，他们发现了一些关于海冰的惊人现象：

它不仅仅是粘稠，它还很“聪明”： 冰的行为并非始终如一。
- 当冰密度适中时，它表现得像一种剪切增稠流体（类似于玉米淀粉加水）。如果你推得更快，它会变得更硬、更具抵抗力，几乎像是变成了坚硬的岩石。
- 当冰非常紧密地堆积时，它表现得像一种剪切稀释流体（类似于番茄酱）。如果你推得更快，它反而流动得更容易。
微小的变化，巨大的影响： 海洋被冰覆盖面积的一个微小变化（仅多出或减少5%），就能让冰的“粘度”发生数千倍的变化。这就像一个开关，只需轻微调整，就会在“流动状”与“固体状”之间切换。
它无处不在： 尽管他们只用简单的直线风力和水流来训练AI，但该模型仍能成功预测冰在复杂、旋转或变化的各种天气模式下的移动方式。即使在他们将其应用于二维地图（而非仅仅是直线）进行测试时，它依然有效。

为什么这很重要
论文得出结论，这种方法是一个重大的进步。我们不再是用过时的、不完美的公式来猜测冰的行为，而是可以直接从高保真数据中“学习”规则。这使得科学家能够创建既能在全球规模上快速运行，又能捕捉到冰片相互作用中复杂、颠簸现实的精确模型。

简而言之，他们教会了一个简单的流体模型如何像复杂的冰块人群一样去“思考”，从而创造出一种更准确的方法，来预测我们冰冻海洋的运动方式。

技术摘要：用于海冰的具有学习流变特性的非牛顿粘性流体模型

问题陈述
准确预测海冰动力学对于气候建模和海岸安全至关重要，然而现有的连续介质模型面临显著局限。标准方法——基于 50 年前 AIDJEX 研究的 Hibler 粘塑性模型——在中央冰盖区域表现尚可，但在边缘冰区（marginal ice zone）会失去预测精度。在这些区域，较低的冰浓度会导致颗粒效应（例如碰撞、摩擦接触和起皱现象），而 Hibler 模型无法捕捉这些效应。相反，离散元法（DEM）通过解析单个冰块及其相互作用来提供高保真度，但其在大规模模拟中的计算成本极高。此外，虽然利用科学机器学习（sciML）进行参数化流变特性的数据驱动方法已经出现，但许多方法依赖于预定义的函数形式或应力-应变数据，而这些数据可能存在噪声或在观测中难以获取。此外，现有工作通常针对预期符合标准非线性粘性模型的流体，而复杂 DEM 海冰数据的流变结构尚未被明确定义。

方法论
作者提出了一个框架，旨在推导出一个能够重现由 DEM（具体为 SubZero 模型）计算出的速度场的连续非牛ло顿粘性流体模型。核心方法包括以下步骤：

数据生成： 作者使用 SubZero DEM 生成训练数据，该模型模拟了通过碰撞和摩擦相互作用的非规则多边形冰块。模拟由单向平行剪切流中的海洋拖曳力和风力驱动。DEM 解析数千个冰块的运动，从中提取水平速度并对网格单元进行空间平均，以创建欧拉数据集。
流变参数化： 本研究并未假设特定的函数形式，而是将有效剪切粘度 $\psi$ $ψ$ 表示为一个前馈神经网络（NN）。该流变特性受物理原理约束：
- 坐标系无关性（Frame-Indifference）： 构型律被表述为应变率张量主不变量的标量函数（在 1D 中， $\tau = 2\psi(|\dot{\gamma}|, A)\dot{\gamma}$ ）。
- 正定性与单调性： 通过 NN 架构强制执行非负粘度（使用 ELU 激活函数）以及应力-应变映射的单调性，以确保生成的 PDE 具有良定性且解是唯一的。
训练策略（PDE 约束优化）： 不同于传统的最小化应力-应变误差的方法，该框架通过最小化 DEM 速度数据与连续动量方程解之间的误差来进行训练。训练目标函数为 $J_v(\theta) = \sum |u_k - \langle u(\theta, A) \rangle_k|^2$ $J_{v} (θ) = \sum ∣ u_{k} - ⟨ u (θ, A) ⟩_{k} ∣^{2}$ ，其中 $u(\theta, A)$ $u (θ, A)$ 是 PDE $\rho_i H \partial_t u - \partial_y \tau = \tau_o + \tau_w$ $ρ_{i} H \partial_{t} u - \partial_{y} τ = τ_{o} + τ_{w}$ 的解。
- 优化过程结合了有限元方法（Firedrake）和自动微分技术（PyTorch）。
- 梯度通过伴随方法（adjoint method）计算，通过求解线性化的伴随问题来更新 NN 权重 $\theta$ 。
- 采用两步优化策略：首先通过最小化应力-应变误差（ $J_s$ ）提供初始猜测，然后利用速度误差（ $J_v$ ）进行精细化调整。

关键结果
研究表明，学习到的非线性流变特性可以准确重现 DEM 速度场在广泛条件下的表现：

剪切增稠与剪切稀化： 推导出的流变特性揭示了依赖于冰浓度（ $A$ ）的行为转变。对于较低浓度（如 $A=0.85$ ），海冰表现出剪切增稠行为（粘度随剪切率增加）；对于较高浓度（如 $A=0.95$ ），行为转变为剪切稀化。
对浓度的敏感性： 研究发现，有效剪切粘度会随着冰浓度微小的变化（仅 5%）而增加数个数量级。
泛化能力： 训练好的模型在固定权重的情况下，成功泛化到了以下场景：
- 不同强迫条件： 由随时间变化的风力和海洋剖面驱动的非稳态问题，包括训练集中未出现的“未见”浓度（如 $A=0.875$ ）。
- 二维配置： 该模型能够准确重现二维不可压缩设置下的速度场，并保留了 DEM 中观察到的对称性，尽管它无法捕捉诸如局部浓度重新分布之类的压缩效应。
与应力-应变拟合的比较： 作者指出，一个紧密拟合来自 DEM 的噪声应力-应变数据的模型，并不一定能准确重现速度场。结果证明，基于速度的优化（ $J_v$ ）在捕捉宏观动力学方面更为优越。

意义与主张
本文声称，该框架代表了开发能够准确重现观测到的海冰动力学的非牛顿模型迈出的“重要一步”。通过直接从速度数据（相比于应力数据，速度数据更容易通过卫星图像获取）推导流变特性，并将控制 PDE 嵌入训练循环中，该方法克服了现象学参数化的局限性和 DEM 的高昂计算成本。

作者强调，该方法不假设预先存在的流变形式，从而能够发现复杂的行为（例如从剪切增稠到剪切稀化的转变），而这些行为是像 Hibler 模型（对所有浓度均预测塑性行为）或简单的碰撞模型可能会遗漏的。虽然目前的模型假设不可压缩性并忽略了机械变形（如破碎和起皱），但该框架提供了一个物理上合理的、计算高效的连续介质模型，能够捕捉颗粒状海冰流动的本质动力学。这项工作表明，数据驱动的流变特性推导可以弥合高保真离散模拟与可扩展连续介质模型之间的鸿沟。

Non-Newtonian viscous fluid models with learned rheology accurately reproduce Lagrangian sea ice simulations

技术摘要：用于海冰的具有学习流变特性的非牛顿粘性流体模型

类似论文