Graph neural network for multitask prediction of rheological and microstructural behavior in suspensions

ملخص تقني: شبكة عصبية رسومية للتنبؤ متعدد المهام بالسلوك الريولوجي والبنيوي للمعلّقات

1. بيان المشكلة

يعد التنبؤ بالسلوك الريولوجي للمعلّقات الجسيمية الكثيفة تحدياً حوسبياً كبيراً. فالطرق التقليدية، مثل محاكاة طريقة العناصر المنفصلة مع تدفق التزييت (LF-DEM)، مكلفة حوسبياً للغاية لأنها يجب أن تقيم صراحةً شبكات الاتصال المعقدة، وقوى التزييت الهيدروديناميكية، وموترات الإجهاد، خاصة في الأنظمة التي تقترب من مرحلة التغلظ بالقص (ST) والانسداد (Jamming).

علاوة على ذلك، فإن التوصيف التجريبي غالباً ما يعوقه عدم القدرة على التمييز بين ضغط الجسيمات، ومساهمة السائل، والاتصالات الاحتكاكية نتيجة لظواهر مثل الانزلاق عند الجدران أو هجرة الجسيمات. هناك حاجة ماسة إلى "بديل متوسط المقياس" (mesoscale surrogate)—وهو نموذج يمكنه استنتاج الخصائص العيانية بسرعة من اللقطات البنيوية المجهرية دون التكلفة الباهظة لمحاكاة القوى الكاملة.

2. المنهجية

يقترح المؤلفون إطار عمل للتعلم متعدد المهام (MTL) المستند إلى البنية المجهرية باستخدام شبكة عصبية رسومية تلافيفية عميقة (DeepGCN).

• توليد البيانات: تم توليد بيانات معلّقات ثنائية الأبعاد عالية الدقة باستخدام محاكاة LF-DEM للأنظمة شبه المخففة إلى الكثيفة ($\phi \in [0.70, 0.80]$) تحت إجهاد قص متحكم به ($\sigma/\sigma_0 \in [0.5, 200]$).
• التمثيل الرسومي (Graph Representation): تُعامل تكوينات المعلّق كرسوم بيانية حيث:
  • العقد (Nodes): تمثل الجسيمات، وتتضمن سماتها نصف قطر الجسيم (مُرمّز بنظام One-hot للأنظمة ثنائية التوزيع).
  • الحواف (Edges): تمثل التفاعلات بين الجسيمات، وتتضمن سماتها الفجوات عديمة الأبعاد، والمسافات النسبية ($R_{ij}$)، والمكونات المثلثية ($\sin/\cos$) للمواقع النسبية لالتقاط اتجاه التشوه.
• البنية (DeepGCN): لمنع مشكلة تلاشي التدرج الشائعة في الشبكات العميقة، يستخدم النموذج طبقات رسومية تلافيفية متبقية (ResGCN). وهذا يسمح للشبكة بتحديث سمات العقد من خلال تمرير الرسائل (تبادل المعلومات بين الجيران) مع الحفاظ على استقرار التدرجات عبر الاتصالات المتبقية.
• التعلم متعدد المهام (MTL): بدلاً من تدريب نماذج منفصلة، يتم تدريب شبكة واحدة للتنبؤ في آن واحد بثلاث خصائص مترابطة للغاية:
  1. اللزوجة النسبية ($\eta_r$)
  2. ضغط الجسيمات ($\Pi$)
  3. عدد التنسيق الاحتكاكي ($Z_\mu$)
     يستخدم النموذج تمثيلاً كامناً مشتركاً، مما يحسن المتانة ويقلل من فرط التخصيص (overfitting) من خلال الاستفادة من الارتباطات الفيزيائية المتأصلة بين هذه الأهداف.
• بروتوكول التدريب: استخدم الباحثون استراتيجية التحقق المتقاطع خماسي الطيات ودالة خسارة هوبر (Huber loss) للموازنة بين الحساسية للقيم المتطرفة والنعومة بالقرب من الصفر.

** 3. المساهمات الرئيسية**

• مدخلات سمات تبسيطية: يحقق النموذج دقة عالية باستخدام السمات الهندسية/الطوبولوجية فقط (المواقع وأنصاف الأقطار)، متعمداً استبعاد المعرفة الصريحة بقوى ما بين الجسيمات أو بارامترات المعالجة مثل إجهاد القص.
• التآزر متعدد المهام: يثبت أن التنبؤ بالخصائص البنيوية ($Z_\mu$) والريولوجية ($\eta_r, \Pi$) معاً يحسن قدرة النموذج على التقاط الفيزياء الكامنة للمعلّق.
• تنفيذ DeepGCN: نجاح تطبيق بنيات رسومية متبقية عميقة لحل الفيزياء غير الخطية والمتذبذبة في أنظمة ما قبل الانسداد.

4. النتائج

• دقة عالية: بالنسبة للأنظمة شبه المخففة والكثيفة ($\phi \leq 0.76$)، أظهر النموذج أداءً استثنائياً بمعاملات ارتباط $R^2 \approx 0.99$ وأخطاء متوسط مطلقة (MAE) ضيقة.
• التعامل مع انتقالات الانسداد: مع اقتراب النظام من حد الانسداد الاحتكاكي ($\phi \to \phi^\mu_J$)، يزدادة تشتت التنبؤ بسبب التقلبات الفيزيائية المتأصلة والضوضاء في المعلّق (مثل التغلظ بالقص غير المستمر والانسداد بالقص). ومع ذلك، حتى في هذه الأنظمة "المشوشة" ($\phi = 0.80$)، يظل النموذج في توافق ممتاز مع اتجاهات منحنيات التدفق المحاكات.
• قوة حجم النظام: أظهر الاختبار على كل من الأنظمة الصغيرة ($N=400$) والكبيرة ($N=2000$) أنه بينما تتأثر تنبؤات اللزوجة بآثار الحجم المحدود، فإن تنبؤات ضغط الجسيمات وعدد التنسيق قوية للغاية عبر أحجام الأنظمة المختلفة.
• التقاط الاتجاه: نجح النموذج في التقاط منحنيات التدفق غير الرتيبة التي تشبه شكل حرف "S" والتي تميز التغلظ بالقص غير المستمر (DST).

5. الأهمية

يوفر هذا العمل بديلاً وسيطاً فعالاً من الناحية الحوسبية لريولوجيا المعلّقات. ومن خلال تجاوز الحاجة إلى تقييم الإجهاد والقوى الصريحة أثناء الاستدلال، يتيح النموذج:

• تسريع المحاكاة: الاستكشاف السريع لمجال الحالة للمواد الجسيمية.
• التحكم في الوقت الفعلي: إمكانية التطبيق في الإعدادات الصناعية لتوصيف وتحكم فوري في تدفقات السوائل المعقدة.
• القابلية للتعميم: الإطار قابل للتطبيق على فئة أوسع من المواد اللينة والأنظمة القائمة على الشبكات (مثل الهلام/الجيل) حيث تكون العلاقة بين البنية والوظيفة ذات أهمية قصوى.