Dans le calcul de la dynamique des fluides (CFD), la simulation précise des flux de Navier-Stokes sous-tend d'innombrables applications techniques, de la conception d'ailes d'aéronefs à l'optimisation des parcs éoliens. Cependant, les simulations à haute fidélité, qu'elles soient basées sur la simulation numérique directe (DNS), la simulation de gros eddy (LES), ou la modélisation de Navier-Stokes (RANS) moyenne de Reynolds, imposent un lourd fardeau de calcul.

Nous commençons par définir ce que sont les ROM et pourquoi ils comptent. Ensuite, nous passons en revue les principales techniques mathématiques utilisées pour les construire : la décomposition orthogonale (POD), la méthode d'interpolation empirique discrète (DEIM), la décomposition dynamique du mode (DMD) et les approches émergentes de l'apprentissage par machine. Ensuite, nous présentons un workflow général pour la construction d'un ROM, suivi d'une étude des applications pratiques dans les domaines de l'aérospatiale, de l'automobile et de l'ingénierie environnementale. Nous discutons également des défis inhérents – précision, stabilité et robustesse paramétrique – et nous examinons comment la recherche de pointe s'attaque à ces questions.

Quels sont les modèles à ordre réduit?

Un modèle à ordre réduit est une représentation simplifiée d'un système dynamique complexe qui conserve les caractéristiques dominantes du modèle original à ordre complet (FOM).Dans le contexte de la dynamique des fluides, le FOM se compose des équations Navier-Stokes discrétées sur un maillage fin, impliquant généralement des millions ou des milliards de degrés de liberté (DOFs). Le ROM réduit ces DOM à un ensemble beaucoup plus petit – parfois seulement des dizaines ou des centaines – en projetant les équations gouvernantes sur un sous-espace à basse dimension construit à partir de données représentatives. Le ROM peut alors être résolu ordre de grandeur plus rapidement que le FOM, mais il se rapproche de la solution avec une précision acceptable.

L'idée principale est que de nombreux flux de fluides présentent des structures cohérentes — excréments périodiques de vortex, bulles de séparation ou instabilités de jet — qui peuvent être décrites par un nombre limité de modes. En se concentrant sur ces modèles essentiels, le ROM contourne la nécessité de calculer toutes les fluctuations à petite échelle, ordures ou turbulences. Cela rend les ROM particulièrement précieux pour les applications où la vitesse est primordiale : contrôle en ligne, jumeaux numériques, études multi-requêtes (par exemple, balayages de paramètres ou optimisation) et simulation intégrée dans un matériel moins puissant.

Principales méthodes de construction des ROM

La construction d'un ROM pour les flux de Navier-Stokes comporte généralement trois étapes : produire des données de formation à haute fidélité, extraire une base à faible dimension, puis projeter les équations gouvernantes sur cette base. Au cours des dernières décennies, plusieurs méthodes ont émergé, chacune avec ses propres forces et limitations.

Décomposition orthogonale appropriée (DOP)

La décomposition orthogonale de la proper—également connue sous le nom d'analyse des composants principaux (PCA) ou d'expansion Karhunen–Love dans d'autres domaines—est la technique la plus utilisée pour les ROM dans la dynamique des fluides.Elle commence par une collection d'instantanés provenant d'une simulation ou d'une expérience de haute fidélité (p. ex., champs de vitesse à de nombreux moments ou valeurs de paramètres).Les instantanés sont assemblés en matrice, et une décomposition de valeur singulière (SVD) est effectuée pour extraire des modes spatiaux orthogonaux. Les modes sont commandés par leur contenu énergétique (valeurs singulares), de sorte que les premiers modes capturent les caractéristiques les plus énergétiques et les plus pertinentes physiquement du flux.

Pour construire une ROM, l'utilisateur choisit un rang de troncation r (le nombre de modes POD retenus). Le champ de vitesse complète est approximatif comme une combinaison linéaire de ces modes, et les équations Navier-Stokes sont projetées sur le sous-espace couvert par eux. Cette projection Galerkin donne un système de r équations différentielles ordinaires (ODE) qui peuvent être intégrées beaucoup plus rapidement que les équations différentielles partielles originales.

Méthode d'interpolation empirique discrète (DEIM)

Une limitation de l'approche standard POD–Gallerkine est que le système projeté nécessite toujours le calcul de termes non linéaires — comme l'accélération convectif dans les équations Navier-Stokes — en évaluant l'opérateur entièrement haute dimension puis en projetant vers le bas. Ce coût O(N) par étape temporelle, où N est la taille du maillage original, en vainquant largement l'objectif de réduction. La méthode discrete empirique d'interpolation surmonte ce goulot d'étranglement en approximant la fonction non linéaire comme une expansion dans une base distincte de POD, évaluée seulement à un petit nombre de points sélectionnés (indices d'interpolation).

Le DEIM découple efficacement le coût d'évaluation non linéaire de la taille totale du maillage, le réduisant à O(r) ou O(r2). Lorsqu'il est combiné à la POD, le POD-DEIM ROM peut accélérer les simulations par un facteur de 100 à 1000 avec une perte négligeable de précision.

Décomposition dynamique du mode (DMD)

Alors que la DOP extrait des modes spatiaux classés par énergie, la décomposition du mode dynamique vise à capturer des motifs spatiotemporels cohérents et leur évolution. La DMD décompose les données d'instantanés en un ensemble de modes, chacun associé à une fréquence spécifique et à un taux de croissance/découverte. Cela le rend particulièrement utile pour les flux présentant un comportement périodique ou quasi-périodique, comme le vortex qui s'efface derrière un cylindre, car chaque mode DMD correspond à une oscillation physique.

L'algorithme standard DMD fonctionne en installant un opérateur linéaire qui rapproche la dynamique non linéaire, en supposant que les instantanés sont séparés par une étape de temps constante. Le résultat est un modèle à ordre réduit qui peut prédire les futurs états de débit de façon à ce que le temps soit en marchant. Des variantes comme le DMD stimulant la sparosité et le DMD multi-résolution ont étendu la méthode à des débits plus complexes, y compris des turbulences et des transitoires.

ROM basés sur l'apprentissage automatique

Les réseaux neuronaux, y compris les autoencodeurs, les réseaux neuronaux convolutionnels (CNN) et les longs réseaux de mémoire à court terme (LSTM), peuvent apprendre à intégrer des données de flux à haute dimension directement à partir de instantanés. Un autoencodeur, par exemple, compresse le champ de vitesse complète dans un espace latent à basse dimension et le reconstitue. Une fois formé, la dynamique latente peut être modélisée par un réseau ODE ou récurrent neural séparé, et le système combiné agit comme un ROM.

Par rapport aux ROM traditionnels basés sur la POD, les ROM réseau neuronal peuvent gérer des flux fortement non linéaires et chaotiques plus souplement parce qu'ils ne reposent pas sur une hypothèse linéaire de sous-espace. Cependant, ils nécessitent des ensembles de données de formation beaucoup plus larges, sont enclins à suradapter, et manquent de l'interprétabilité physique des modes de POD.

Le flux de travail de construction du ROM

Quelle que soit la méthode, la construction d'un ROM fiable pour les flux de Navier-Stokes suit une procédure systématique:

  1. Définition du problème Définissez l'espace de paramètre (p. ex. nombre de Reynolds, angle d'attaque, variations de géométrie) et la gamme de conditions de fonctionnement que le ROM doit couvrir.
  2. Génération de données Effectuer des simulations ou des expériences à haute fidélité dans un ensemble soigneusement choisi de instantanés dans l'espace temps et/ou paramètres. Ces instantanés servent d'ensemble de formation. La qualité et la couverture de ces données sont critiques – un échantillonnage insuffisant conduit à une généralisation insuffisante.
  3. Réduction de la dimensionnalité. Appliquer la DDP, la DMD ou un codeur automatique pour extraire une base ou un espace latent à basse dimension. Déterminer le rang de troncation approprié en examinant l'erreur de désintégration ou de validation de l'énergie.
  4. Construction modèle Projeter les équations Navier-Stokes (ou leur approximation) sur le sous-espace réduit. Pour POD-Gallerkin, cela implique de dériver le système réduit des ODE. Pour des termes non linéaires, intégrer les techniques DEIM ou hyper-réduction.
  5. Décomposition hors ligne–en ligne Précalculez autant de termes que possible (p. ex., les matrices réduites et les indices d'interpolation DEIM) pendant la phase hors ligne. La phase en ligne ne résout alors que le système réduit simple, réalisant des prédictions rapides.
  6. Analyse de la validation et des erreurs. Tester le ROM contre les instantanés de maintien qui n'ont pas été utilisés dans l'entraînement. Calculer des mesures d'erreur telles que l'erreur relative de vitesse ou de pression L2. Si la précision est insuffisante, envisager d'ajouter plus de instantanés, augmenter le rang de troncation ou utiliser une base plus sophistiquée.
  7. Déployement Intégrer le ROM dans l'application cible, qu'il s'agisse d'un contrôleur en temps réel, d'une boucle d'optimisation de conception ou d'un jumeau numérique pour la surveillance.

Applications dans toutes les disciplines de l'ingénierie

Les ROM sont passés de la curiosité académique à des outils pratiques dans de nombreuses industries. Voici trois domaines où ils ont un impact tangible :

Aéronautique

Dans la conception des aéronefs, la simulation du débit autour d'une aile ou d'une cellule entière pour chaque combinaison de nombre de Mach, d'angle d'attaque et de configuration des volets est prohibitif. Les ROM permettent de créer rapidement des bases de données aérodynamiques pour la conception préliminaire et la simulation en temps réel. Par exemple, un POD-ROM formé sur des instantanés CFD d'une houle transonique peut prédire les coefficients de levage et de traînée en millisecondes, permettant aux concepteurs de balayer en quelques minutes des centaines de combinaisons de paramètres.

Automobile

Les constructeurs automobiles utilisent des ROM pour l'aérodynamique externe, la gestion thermique des sous-sols et le contrôle du climat de la cabine. Un modèle réduit du débit sur une forme de véhicule peut être couplé à des algorithmes d'optimisation pour accélérer l'itération sur les contours du corps pour réduire la traînée.

Génie environnemental

Dans le contexte de la dynamique des fluides environnementaux, les ROM aident à prédire la dispersion des polluants dans les zones urbaines, les modèles de vent sur des terrains complexes ou la propagation des déversements de pétrole. Comme ces applications nécessitent souvent de nombreuses simulations avec des conditions météorologiques variables, les ROM offrent un moyen pratique de générer des prévisions probabilistes.

Défis et limites

Malgré leur succès, les ROM pour les flux de Navier-Stokes sont confrontés à plusieurs défis persistants :

  • Stable La projection Galerkin des équations Navier-Stokes peut produire des systèmes réduits qui sont numériquement instables, surtout pour les flux dominés par la convection. Diverses stratégies de stabilisation existent, comme l'ajout de viscosité artificielle, l'application de discrétisations de préservation de l'énergie ou l'utilisation de projections Petrov–Gallerkin.
  • La robustesse paramétrique Un ROM formé à un ensemble de paramètres (p. ex. Re=1000) se comporte souvent mal lorsque les paramètres changent (p. ex. Re=500 ou Re=2000). Les techniques de multifidélité et d'interpolation, comme la POD avec des méthodes de base paramétrées, tentent de remédier à cette situation, mais elles augmentent la complexité et les exigences en matière de données.
  • Non-linéarité et chaos. Les flux turbulents et les systèmes dynamiques chaotiques sont intrinsèquement sensibles aux perturbations. Un sous-espace linéaire à faible dimension peut ne pas saisir la cascade énergétique ou l'intermittence. Les approches fondées sur les données (autoencodeurs, réseaux récurrents) peuvent aider, mais elles nécessitent de vastes ensembles de formation de haute qualité et une régularisation soigneuse.
  • La disponibilité des données La création de la matrice d'instantanés elle-même exige l'exécution de la simulation en ordre complet à plusieurs reprises, ce qui peut être coûteux.

Orientations futures

Le domaine de la modélisation à ordre réduit pour la dynamique des fluides évolue rapidement. Plusieurs tendances émergentes promettent de surmonter les limites existantes :

  • Réseaux neuronaux (PINN) éclairés en physique En intégrant les équations Navier-Stokes comme contrainte douce dans la fonction perte, les PINN peuvent apprendre les ROM directement à partir de données peu nombreuses tout en respectant les lois de conservation.
  • ]Les ROM non intrusifs. Les POD-Gallerkin traditionnels sont intrusifs, car ils nécessitent l'accès au code du résolveur de plein ordre pour dériver le système projeté.
  • ] Souvent, les problèmes d'ingénierie réels concilient le flux de fluide avec le transfert de chaleur, la déformation structurelle ou des réactions chimiques.
  • La dynamique latente basée sur l'autoencodeur. L'association d'un autoencodeur convolutionnel avec un ODE neuronal dans l'espace latent a montré des promesses pour des flux chaotiques comme l'équation Kuramoto-Shivashinsky et même des turbulences 2D. Le défi est maintenant d'étendre ces méthodes aux problèmes 3D et d'assurer la stabilité sur de longues périodes d'intégration.
  • Quantification d'incertitude (UQ) Les ROM peuvent servir de substituts dans un cadre de Monte Carlo pour quantifier l'influence des incertitudes d'entrée (p. ex. vitesse d'entrée, tolérances géométriques) sur les extrants.

Conclusion

En saisissant la physique dominante du flux dans un système compact, calculable à bas prix, les ROM permettent un contrôle en temps réel, une exploration de conception rapide et des études multi-quaires qui ne seraient pas envisageables avec des simulations de pleine commande. Les techniques enracinées dans la décomposition orthogonale appropriée, la décomposition dynamique du mode et l'apprentissage de la machine offrent chacun des avantages distincts, et le choix dépend du régime de flux, de la disponibilité des données et des exigences de précision.

La voie à suivre consiste à construire des ROM plus robustes, plus conscients des paramètres et plus exigeants en physique, qui peuvent gérer la complexité des flux turbulents et à plusieurs échelles. La recherche continue de repousser les limites, et nous pouvons nous attendre à ce que les ROM deviennent une composante standard de chaque trousse d'outils du CFD – déverrouiller plus rapidement, plus intelligemment et plus réceptifs les processus de conception dans les domaines de l'aérospatiale, de l'automobile, de l'énergie et de l'ingénierie environnementale.

Pour plus de détails sur les fondamentaux de la DOP, consulter la rubrique Wikipedia sur la décomposition orthogonale appropriée. Les travaux séminaux sur le DEIM se trouvent dans Chaturantabut et Sorensen (2010). Un guide pratique sur la DMD est disponible dans Kutz et al. (2016). Pour en savoir plus sur les ROM réseau neuronal, voir Lusch, Kutz et Brunton (2018).