Bubble2Heat: Optical to Thermal Inference in Pool Boiling Using Physics-encoded Generative AI

ملخص تقني: Bubble2Heat: الاستدلال البصري إلى الحراري في الغليان في الأحواض باستخدام الذكاء الاصطنا-التوليدي المشفر فيزيائياً

بيان المشكلة
يعوق التوصيف الكمي لانتقال الحرارة متعدد الأطوار في عملية غليان الأحواض صعوبة قياس مجالات درجة الحرارة ضمن أنظمة تدفق فوضوية ومتطورة بسرعة. وبينما يمكن لديناميكا السوائل الحسابية (CFD) توفير بيانات عالية الدقة، فإن إعادة محاكاة الظروف التجريبية المعقدة تظل صعبة للغاية من الناحية العملية. وعلى العكس من ذلك، فإن التشخيصات التجريبية الموجودة (مثل مصفوفات السخانات الدقيقة، والتصوير الحراري بالأشعة تحت الحمراء، وتصوير التخطيط الضوئي لامتصاص السائل - PLIF) غالباً ما تكون مقيدة بإعدادات حساسة، أو دقة مكانية/زمانية محدودة، أو عدم القدرة على توفير بيانات حرارية كثيفة على مستوى المجال مناسبة للنمذجة العامة. هناك حاجة ماسة لطريقة لاستخراج معلومات حرارية غنية من القياسات التي يسهل الوصول إليها، مثل التسجيلات البصرية عالية السرعة وبيانات المزدوجات الحرارية النقطية، دون الحاجة إلى تقنيات استشعار متقدمة أو اقتحامية.

المنهجية
يقترح المؤلفون إطار عمل للتعلم العميق، يسمى Bubble2Heat، والذي يستخدم شبكة خصومة توليدية شرطية مشفرة فيزيائياً (PECGAN) لاستنتاج مجالات درجة الحرارة ثنائية الأبعاد من صور بصرية عالية السرعة مجزأة ومرجع درجات حرارة نقطي.

• توليد البيانات: يعتمد إطار العمل على طريقة محاكاة هجينة تجمع بين "لاتيس بولتزمان" والفرق المحدود (LB-FD) لتوليد بيانات الحقيقة الأرضية للتدريب. تتكون هذه المجموعة من خرائط حدود الطور (صلب، سائل، بخار) ومجالات درجات حرارة طبيعية عبر 9 مجموعات محاكاة متميزة مع تكوينات سخانات ودرجات حرارة متفاوتة.
• المعالجة المسبقة والمحاذاة:
  • بيانات المحاكاة: يتم اشتقاق حدود الطور عن طريق عتبة حقول الكثافة. ويتم تطبيع خرائط درجات الحرارة إلى رقم جاكوب المعدل ($T^*$).
  • البيانات التجريبية: تتم معالجة الصور عالية السرعة باستخدام نموذج Mask R-CNN مدرب مسبقاً لتقسيم الحالات لعزل مناطق البخار. ويتم بناء خرائط درجات الحرارة المرجعية يدوياً من قراءات المزدوجات الحرارية وتطبيعها لتتطابق مع مقياس المحاكاة.
• بنية النموذج: تستخدم PECGAN مولداً يشبه بنية U-Net ومميزًا (Discriminator) يعمل بالتغذية الأمامية.
  • المدخلات: يتلقى المولد حزمة من خرائط حدود الطور (الإطار الحالي و $p$ من الإطارات الماضية) وخريطة درجة الحرارة المرجعية ($T_{ref}$).
  • هدف التدريب: يقلل المولد من مزيج مرجح من فقدان درجة الحرارة ($L_T$)، وفقدان التدرج ($L_{\nabla T}$)، وفقدان الخصومة ($L_{GAN}$). يتم تدريب المميز للتمييز بين أزواج الصور الحقيقية والمولدة.
  • التشفير الفيزيائي: بدلاً من ترميز المعادلات الحاكمة برمجياً (كما في شبكات PINNs)، يقوم النموذج بتشفير الفيزياء ضمنياً من خلال بيانات التدريب واستخدام المدخلات المتسلسلة (السياق الزمني) للحفاظ على الاتساق مع ديناميكيات الفقاعات.
• تعزيز البيانات: لتعويض نقص القيود الفيزيائية الصريحة وتحسين المتانة، يطبق المؤلفون تقنية المرآة الأفقية (الثبات المنظوري) أثناء التدريب، مما يمنع النموذج من الاعتماد على اتجاهات رؤية ثابتة.

المساهمات الرئيسية

1. تطوير إطار العمل: خط معالجة مبتكر للتعلم العميق يجسّر الفجوة بين الظواهر متعددة الأطوار المرصودة (الصور البصرية) وانتقال الحرارة الكامن (مجالات درجة الحرارة) باستخدام نماذج توليدية مدربة بالمحاكاة.
2. الاستدلال المشفر فيزيائياً: إثبات أن نموذج (CGAN) المدرب حصرياً على المحاكاة يمكن تطبيقه مباشرة على البيانات التجريبية لاستنتاج مجالات درجة الحرارة، بشرط معالجة بيانات المدخلات مسبقاً إلى تنسيق مشترك (أقنعة الطور + درجة الحرارة المرجعية).
3. استراتيجية السياق الزمني: تنفيذ مخطط استدلال "من متعدد إلى واحد" (صورة إلى صورة) باستخدام تسلسل من حدود الطور الماضية لمعالجة المشكلات التي قد تختفي فيها حدود الفقاعات أو تصبح غير مستقرة بسبب التكميم أو أخطاء التقسيم، مما يعزز الاتساق الزمني.
4. التعزيز من أجل المعقولية الفيزيائية: التحقق من أن استراتيجيات تعزيز البيانات القياسية (مثل قلب الصور) تعزز المعقولية الفيزيائية للاستدلال وتقلل من الانحياز الاتجاهي، حتى في غياب القيود الفيزيائية الصارمة.

النتائج

• أداء المحاكاة: حقق النموذج ($G_{p=3, T_{ref}}^+$) متوسط خطأ مطلق (MAE) يبلغ حوالي 0.0395 في وحدات درجة الحرارة الطبيعية لمنطقة السائل. أدى زيادة عدد حدود الطور الماضية ($p$) عموماً إلى تقليل خطأ الاستدلال، خاصة فيما يتعلق بالاتساق الزمني، رغم أنه زاد قليلاً من خطأ التدرج بسبب الضجيج المحلي.
• الاتجاهات الفيزيائية: نجحت النتائج المستنتجة في إعادة إنتاج الاتجاهات العالمية الملاحظة في المحاكاة، مثل زيادة درجة الحرارة الزائدة وفارق درجة حرارة السطح مع زيادة الكسر الفراغي. كما حافظ النموذج بشكل صحيح على ترتيب درجات الحرارية النسبية: صلب > بخار > سائل.
• التطبيق التجريبي: عند تطبيقه على البيانات التجريبية، حافظ النموذج على الاتجاهات الفيزيائية النوعية، مثل ترتيب درجات الحرارة عبر الأطوار. ومع ذلك، كانت الدقة الكمية محدودة بسبب عدم التطابق الكبير في الظروف الديناميكية الحرارية وديناميكيات الفقاعات (مثل نطاقات الكسر الفراغي) بين بيانات المحاكاة المستخدمة في التدريب والبيانات التجريبية المختبرة.
• القصور: تقر الدراسة بأن أخطاء الاستدلال تزداد عندما تختلف سلوكيات الفقاعات (مثل أنماط النشوء مقابل المغادرة) أو الأنظمة الديناميكية الحرارية في بيانات الاختبار بشكل كبير عن توزيع بيانات التدريب. كما يعاني النموذج في أنظمة التدفق الحراري العالي حيث تتجاوز الكسور الفراغية النطاق الذي شمله التدريب.

الأهمية والادعاءات
يدعي البحث أن النماذج التوليدية العميقة توفر نهجاً قوياً لتعزيز وتفسير القياسات التجريبية في الأنظمة المعقدة ثنائية الطور حيث يكون القياس المباشر لمجالات الحرارة غير ممكن. ويضع المؤلفون هذا العمل كخطوة للأمام في جسر التعلم القائم على المحاكاة مع التحليل التجريبي، مما يسمح باستنتاج المعلومات الحرارية التي لا يمكن الوصول إليها بصرياً.

يحافظ المؤلفون على موقف متواضع، مشيرين إلى أنه بينما ينتج إطار العمل استدلالات دقيقة نوعياً ويلتقط الاتجاهات الفيزيائية الرئيسية، فإن أداءه الكمي مقيد حالياً بتنوع مجموعات بيانات التدريب المتاحة. ويؤكدون أن هذا النهج يوفر بديلاً قابلاً للتطبيق لتوليد البيانات الحرارية دون الحاجة إلى خرائط السرعة أو غيرها من المتغيرات التجريبية التي يصعب جمعها، لكنهم يشددون على أن الحصول على مجموعات بيانات متنوعة (محاكاة وتجريبية) عبر مختلف أنظمة الغليان يظل تحدياً جوهرياً لتحسينات المستقبل.