El impacto del aprendizaje automático en la solución de problemas de las bombas de Navier

donde la distancia de ρ es densidad, p es presión, ν es viscosidad cinemática, y f] representa fuerzas corporales. A pesar de su formulación engañosamente compacta, estas ecuaciones encarnan algunos de los problemas más profundos sin resolver en las matemáticas. El Instituto de Matemáticas de Clay lista la existencia y suavidad de soluciones de Navier-Stokes como uno de sus siete problemas prácticos de ingeniería de los más caros

El Muro Computacional: Métodos Numéricos Tradicionales

Históricamente, la resolución de Navier-Stokes para aplicaciones reales se ha basado en una jerarquía de técnicas numéricas:

• Simulación Numérica Direct (DNS):] Resuelve todas las escalas de movimiento. Escalas de tamaño de la red como Re^9/4, que se vuelve intráctil sobre Re=10⁴.
• Large Eddy Simulation (LES): Resolves grandes eddies y modelos de pequeñas escalas (modelos de escala inferior). Todavía caro para geometrías complejas.
• Reynolds-Averaged Navier-Stokes (RANS):] El tiempo de las ecuaciones, introduciendo problemas de cierre que requieren modelos de turbulencia (por ejemplo, k-ε, k-ω SST). Estos modelos son rápidos pero a menudo inexactos para flujos separados, flujos rotatorios o capas de límites complejas.

Cada método intercambia la precisión para el coste computacional. RANS y LES dominan el CFD industrial, pero sus modelos de cierre empírico fallan cuando extrapolan más allá de los datos de entrenamiento. Además, la creación de una robusta simulación CFD exige conocimientos expertos en meshing, condiciones de límites, ajustes de solver y selección de modelos de turbulencia. Para aplicaciones de tiempo críticos: control de tiempo, optimización o soporte de decisión clínica, estos conductos demasiado lentos.

Cómo el aprendizaje de la máquina transforma los problemas fluidos

El aprendizaje de la máquina, especialmente el aprendizaje profundo, proporciona herramientas para aprender relaciones funcionales complejas directamente de datos. En dinámicas de fluidos, estos datos pueden provenir de mediciones experimentales o simulaciones de alta fidelidad. En lugar de resolver las ecuaciones de gobierno desde cero cada vez, una red neuronal capacitada puede aproximarse a la asignación de insumos (geometría, condiciones de límites, número Reynolds) a salidas (campo de velocidad, distribución de presión, fuerzas).

Modelado de la Surrogate Data-Driven

Los modelos de superación reemplazan al solucionador costoso computacional con una red neuronal rápida. Por ejemplo, una red neuronural convocional (CNN) puede ser entrenada en un conjunto de datos de instantáneas DNS para predecir el paso siguiente de un flujo turbulento. Modelos de orden reducido (ROMs)] construidos con pronósticos de estado de autoencoders o redes de compresión

Estos sustitutos pueden reducir el tiempo de simulación por varias órdenes de magnitud, permitiendo predicciones en tiempo real para el diseño de cuchillas de turbina, pronóstico del tiempo o análisis de flujo sanguíneo específico del paciente. Sin embargo, son tan buenos como los datos que están entrenados. Extrapolación para regímenes invisibles — números diferentes de Reynolds, geometrías o física de flujo— a menudo falla.

Redes neuronales informadas de Física (PINNs)

Presentada por Raissi et al. en 2019, PINNs incorpora las ecuaciones de gobierno como una limitación suave durante el entrenamiento. Una red neuronal toma coordenadas espacio-tiempo como entrada y salida del campo de velocidad y presión. La función de pérdida incluye no sólo el desajuste de datos (si existen datos etiquetados) sino también el residual de las ecuaciones Navier-Stokes computed a través de ecuaciones automáticas.

Las ventajas son significativas: Los PINN pueden manejar geometrías irregulares, codificar condiciones de límites complejas y recuperar soluciones incluso de datos de medición escasos. Se han aplicado con éxito a flujos laminares, recubrimiento de vórtices e incluso algunos regímenes turbulentos. Sin embargo, los PINN enfrentan desafíos con características de alta frecuencia, problemas rígidos y turbulencia multies.

Aprendizaje de la máquina para la clausura de la Turbulencia

Una de las direcciones más productivas es utilizar ML para mejorar los modelos de turbulencia en RANS y LES. En lugar de utilizar un modelo ad hoc de eddy-viscosidad, una red neuronal puede aprender la relación funcional entre las características de flujo y las tensiones de Reynolds. Al entrenar en datos DNS de alta fidelidad, estos modelos de turbulencia impulsados por datos pueden capturar

Para LES, los modelos de escala de subgrid parametizados por redes neuronales pueden predecir las tensiones no resueltas más precisa que el modelo clásico de Smagorinsky. De igual manera, el aprendizaje automático puede corregir errores numéricos en simulaciones subresolvientes. Estos enfoques híbridos mantienen la eficiencia computacional de RANS/LES al tiempo que logran la precisión más cercana a DNS.

Notablemente, NVIDIA ha desarrollado herramientas como NVIDIA Modulus], que combina el aprendizaje informado de la física con la computación acelerada para resolver estos problemas a escala.

Retos y Caminos Avanzados

A pesar de los resultados impresionantes, el aprendizaje automático para Navier-Stokes no es una bala de plata.

• Calidad y cantidad de datos: Los datos DNS de alta fidelidad son caros de generar. Los modelos entrenados en datos limitados pueden no generalizarse.
• Generalización:] Una red neuronal formada para el flujo alrededor de un cilindro en Re=100 no funcionará para un coche en Re=10⁶. Los métodos de transferencia de aprendizaje y multifidelidad son áreas de investigación activas.
• Interpretabilidad: Muchos modelos ML actúan como cajas negras. La certificación de ingeniería requiere entender por qué una simulación produce un resultado particular.
• Integración por los solvers heredados: Las herramientas comerciales CFD son maduras; reemplazarlas por completo con ML es poco práctico. Los enfoques híbridos que el aumento de los soldicios con redes neuronales son más propensos a tener éxito.
• Estabilidad neutérica: Las predicciones de la red neuronal pueden introducir oscilaciones no físicas o violar las leyes de conservación. El trabajo en curso incluye arquitecturas de difícil conformación (por ejemplo, usando funciones de base libres de divergencia).

Las direcciones futuras incluyen el desarrollo de modelos de fundación] para la dinámica de fluidos: redes pre-entrenadas a gran escala que pueden ser perfeccionadas para tareas específicas, similares a GPT para lenguaje natural. Modelos multimodales que combinan datos de simulación, imágenes experimentales y descripciones de texto podrían revolucionar cómo los ingenieros interactúan con problemas de fluidos.