🔢 mathematics

Physics-informed neural networks for solving two-phase flow problems with moving interfaces

تُطوّر هذه الورقة وتُحلل بدقة إطار عمل للشبكات العصبية المستوحاة من الفيزياء (PINN) خالية من الشبكة لحل مشكلات التدفق ثنائي الطور مع واجهات متحركة في كل من سيناريوهات الحركة المحددة مسبقاً والسيناريوهات المدفوعة بالحل، مما يوفر تقديرات شاملة للأخطاء وإرشادات تدريب عملية تم التحقق منها من خلال التجارب العددية.

المؤلفون الأصليون: Qijia Zhai, Pengtao Sun, Xiaoping Xie, Xingwen Zhu, Chen-Song Zhang

نُشر 2026-04-02

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Qijia Zhai, Pengtao Sun, Xiaoping Xie, Xingwen Zhu, Chen-Song Zhang

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التنبؤ بكيفية اختلاط وحركة سائلين مختلفين، مثل الزيت والماء، داخل حاوية. لكن هنا تكمن العقبة: الحد الفاصل بينهما ليس جداراً ثابتاً؛ بل هو خط حي، يتنفس، ويرقص، ويتغير شكله، ويتحرك، ويلتوي في كل ثانية.

هذه هي مشكلة تدفق الطورين مع الواجهات المتحركة. وهي مسألة بالغة الأهمية لكل شيء، بدءاً من تصميم الرقائق الإلكترونية التي تبرد نفسها بالسوائل، وصولاً إلى فهم كيفية تدفق الدم عبر الأوردة.

تقليدياً، يحل العلماء هذه المشكلة عن طريق رسم "شبكة" رقمية (mesh) فوق الحاوية. ومع تحرك السوائل، يتعين عليهم إعادة رسم هذه الشبكة باستمرار لتناسب الشكل الجديد للحد الفاصل. الأمر يشبه محاولة التقاط صورة لشريك رقص عبر تغيير إطار الكاميرا باستمرار ليتناسب مع حركاته. هذه العملية بطيئة، ومكلفة حاسوبياً، وعرضة للأخطاء عندما تصبح الرقصة جامحة جداً.

الفكرة الكبرى للورقة البحثية: الشبكة العصبية "المستندة إلى الفيزياء"

تقدم هذه الورقة طريقة أذكى باستخدام الشبكات العصبية المستندة إلى الفيزياء (PINNs). فكر في الشبكة العصبية ليس كشبكة صلبة، بل كـ فنان ذكي وقادر على تغيير شكله.

إليك تفصيل حلهم بكلمات بسيطة:

1. لا مزيد من الشبكات (بدون شبكة - Meshfree)

بدلاً من رسم شبكة، يستخدم الباحثون "سحابة" من النقاط المنتشرة في جميع أنحاء الفضاء. الشبكة العصبية تشبه طالباً يتعلم قواعد الكون (قوانين الفيزياء، وتحديداً معادلات نافييه-ستوكس) من خلال النظر إلى هذه النقاط.

التشبيه: تخيل تعليم طفل رسم دائرة. بدلاً من إعطائه قالب جاهز (الشبكة)، تقول له: "الدائرة هي شكل تكون فيه كل نقطة على نفس المسافة من المركز". الطفل (الذكاء الاصطناعي) يتعلم المفهوم ويمكنه رسم دائرة مثالية في أي مكان، حتى لو كانت الورقة مجعدة أو كان الشكل متغيراً.

2. استراتيجية "الفريقين"

بما أن السائلين (الطور 1 والطور 2) لهما خصائص مختلفة (مثل كون الزيت زلقاً والماء لزجاً)، يستخدم الباحثون شبكتين عصبيتين منفصلتين تعملان جنباً إلى جنب.

الاستعارة: تخيل رسامين يعملان على لوحة يتم تقسيمها من المنتصف بواسطة خط متحرك.
- الرسام (أ) يعرف قواعد جانب "الزيت".
- الرسام (ب) يعرف قواعد جانب "الماء".
- هما لا يرسمان عشوائياً؛ بل يتحققان باستمرار من بعضهما البعض عند الخط المتحرك (الواجهة) للتأكد من أن الألوان تمتزج بشكل صحيح وأن القوى متوازنة. إذا دفع الزيت الماء، يجب أن يدفع الماء رد فعل مساوٍ.

3. "المعلم" (دالة الخسارة - Loss Function)

كيف يعرف الذكاء الاصطناعي ما إذا كان يؤدي عمله بشكل جيد؟ إنه لا يحتاج إلى معلم يحمل قلماً أحمر لتصحيح كل إجابة. بدلاً من ذلك، لديه معلم داخلي (دالة الخسارة) يتحقق من عمله مقابل قوانين الفيزياء.

اللعبة: يحاول الذكاء الاصطناعي تخمين سرعة وضغط السوائل. يقوم "المعلم" بالتحقق مما يلي:
- هل حافظت على الكتلة؟ (هل اختفى الماء؟)
- هل وازنت القوى؟ (هل دفع الزيت بقوة مفرطة؟)
- هل احترمت الحدود؟ (هل اختلط السائلان حيث لا ينبغي لهما الاختلاط؟)
- هل طابقت الظروف الأولية؟
- الهدف: يقوم الذكاء الاصطناعي بتعديل "دماغه" (المعلمات) لتقليل الأخطاء (البواقي) حتى يستوفي جميع قوانين الفيزياء في آن واحد.

4. نوعان من الرقص

تتناول الورقة سيناريوهين محددين:

الرقص المبرمج (الحركة المحددة مسبقاً): يتحرك الحد الفاصل وفقاً لسيناريو مكتوب مسبقاً (مثلاً: "الدائرة ستدور وتتمدد بهذا الشكل"). يحتاج الذكاء الاصطنا، فقط، لتعلم تدفق السوائل حول هذا المسار المعروف.
الرقص الارتجالي (الحركة المدفوعة بالحل): هذا هو الجزء الصعب. يتحرك الحد الفاصل بسبب تدفق السائل. السائل يدفع الحد الفاصل، وشكل الحد الفاصل الجديد يغير تدفق السائل. إنها مشكلة "البيضة والدجاجة".
- الحل: بنى الباحثون حلقة ذكية. يخمن الذكاء الاصطناعي التدفق، ثم يستخدم هذا التخمين لتحريك الحد الفاصل، ثم يعيد تقييم التدفق بناءً على الحد الفاصل الجديد، ويكرر العملية حتى يستقر كل شيء في قصة متسقة.

5. لماذا يهم هذا (لحظة الإدراك!)

لم يقم الباحثون ببناء أداة رائعة فحسب؛ بل أثبتوا لماذا تنجح هذه الطريقة رياضياً.

الرؤية الثاقبة: اكتشفوا أن أكبر الأخطاء لا تأتي من وسط السوائل، بل من الحدود (الخط المتحرك، الجدران، ووقت البداية).
النصيحة: إذا كنت تريد أن يكون الذكاء الاصطناعي الخاص بك دقيقاً للغاية، فلا تكتفِ بإلقاء نقاط عشوائية في كل مكان. ضع المزيد من النقاط مباشرة على الحد المتحرك. الأمر يشبه تركيز عدسة الكاميرا على قدمي الراقص بدلاً من التركيز على المسرح الفارغ.

الملخص

تقدم هذه الورقة طريقة تعتمد على الذكاء الاصطناعي ولا تحتاج إلى شبكة (mesh-free) لمحاكاة تفاعلات السوائل المعقدة حيث يكون الحد الفاصل بين السوائل متغيراً باستمرار.

الطريقة القديمة: إعادة تشكيل شبكة رقمية باستمرار (بطيئة وصعبة).
الطريقة الجديدة: استخدام اثنين من "الرسامين" الذين يعملون بالذكاء الاصطناعي، والذين يتعلمون قوانين الفيزياء ويتحققون باستمرار من عملهم عند الحد المتحرك.
النتيجة: طريقة أسرع وأكثر مرونة لحل المشكلات التي كانت صعبة للغاية على الحواسيب التقليدية، خاصة عندما تكون للسوائل خصائص متباينة جداً (مثل اللزوجة العالية والمنخفضة).

إنها خطوة نحو السماح للحواسيب بـ "فهم" فيزياء السوائل المتحركة دون الحاجة إلى حصرها في شبكة صلبة، مما يجعل محاكاة التدفقات الواقعية المعقدة (مثل تدفق الدم أو التسربات النفطية) أكثر دقة وكفاءة.

فيما يلي ملخص تقني مفصل للورقة البحثية بعنوان: "الشبكات العصبية المستوحاة من الفيزياء لحل مشكلات التدفق ثنائي الطور مع الواجهات المتحركة."

1. بيان المشكلة

تتناول الورقة البحثية الحل العددي لمشكلات التدفق ثنائي الطور مع الواجهات المتحركة، وهو تحدٍ جوهري في ديناميكا الموائع الحسابية (CFD) وله تطبيقات في الموائع الدقيقة، والهندسة الطبية الحيوية، وعلوم البيئة.

التحديات الرئيسية:

الواجهات المتحركة: تتطور الواجهة بين سائلين غير قابلين للامتزاج بمرور الوقت، إما عبر حركة محددة مسبقاً (سرعة معلومة) أو حركة مدفوعة بالحل (السرعة التي يحددها تدفق السائل نفسه).
الخصائص غير المتصلة: تظهر الخصائص المادية (الكثافة $\rho$ ، واللزوجة $\mu$ ) انقطاعات حادة عبر الواجهة، مما يؤدي إلى وجود نقاط تفرد (singularities) في الحل.
تعقيد الاقتران: تتضمن المشكلة اقتراناً ثنائي الاتجاه بين ديناميكا الموائع (معادلات نافير-ستوكس) وتطور الواجهة (الشروط الكينماتيكية).
قصور الطرق التقليدية: تتطلب الطرق القائمة على الشبكات (مثل FEM و FVM) تعديلاً وتجديداً مستمراً للشبكة (remeshing) لمواكبة الواجهات المتحركة، وهو أمر مكلف حاسوبياً ومعقد، خاصة في الأبعاد الثلاثية. أما الطرق غير القائمة على الشبكة (Meshfree) فغالباً ما تفتقر إلى تقديرات خطأ نظرية صارمة للمجالات المعتمدة على الزمن.

2. المنهجية

يقترح المؤلفون إطار عمل يعتمد على الشبكات العصبية المستوحاة من الفيزياء (PINN)، وهو إطار غير قائم على الشبكة (meshfree) ويستخدم شبكات عصبية مجزأة (piecewise) للتعامل مع الطبيعة غير المتصلة للمشكلة.

أ. الصيغة الرياضية

المعادلات الحاكمة: يتم حل معادلات نافير-ستوكس غير الانضغاطية في نطاقين فرعيين يعتمدان على الزمن، $\Omega_1(t)$ و $\Omega_2(t)$ ، يفصل بينهما واجهة $\Gamma(t)$ .
شروط الواجهة:
- كينماتيكية: استمرارية السرعة (أو قفزة محددة).
- ديناميكية: توازن القوى (استمرارية الإجهاد أو قفزة محددة).
دالة الخسارة (المربعات الصغرى): تمت إعادة صياغة المشكلة كعملية تقليل لدالة خسارة المربعات الصغرى الزمكانية $R(\tilde{u}_1, \tilde{u}_2)$ $R (\tilde{u}_{1}, \tilde{u}_{2})$ . تجمع هذه الدالة البواقي (residuals) من:
1. بواقي المعادلات التفاضلية الجزئية (PDE): داخل كل نطاق فرعي للسائل ( $\Omega_i$ ).
2. شروط الواجهة: على الواجهة المتحركة $\Gamma(t)$ .
3. الشروط الحدية: على الحدود الخارجية الثابتة.
4. الشروط الابتدائية: عند الزمن $t=0$ .
البنية المجزأة: يتم تدريب شبكات عصبية منفصلة لكل نطاق سائل ( $NN_1$ لـ $\Omega_1$ ، و $NN_2$ لـ $\Omega_2$ ) لاستيعاب خصائص الحل المختلفة والانقطاعات عبر الواجهة بشكل طبيعي.

ب. التعامل مع الواجهات المتحركة

الحركة المحددة مسبقاً: موقع الواجهة $\Gamma(t)$ معلوم مسبقاً. يتم توزيع نقاط أخذ العينات في النطاقات المعلومة.
الحركة المدفوعة بالحل: سرعة الواجهة غير معلومة وتساوي سرعة السائل ( $w = v_1 = v_2$ $w = v_{1} = v_{2}$ ). يقترح المؤلفون خوارزمية غير خطية تكرارية (الخوارزمية 1):
1. تهيئة الواجهة.
2. تدريب شبكات PINN للتنبؤ بمجالات السرعة.
3. تحديث موقع الواجهة عن طريق تكامل السرعة المتوقعة عبر الزمن.
4. إعادة توليد نقاط التدريب بناءً على هندسة الواجهة الجديدة.
5. التكرار حتى التقارب.

ج. استراتيجية التدريب

أخذ العينات الزمكانية: يتم توزيع نقاط التدريب في فضاء ذي $(d+1)$ من الأبعاد (المكان + الزمن).
الأوزان التكيفية: لضبط التوازن بين الرتب المختلفة للقدر في البواقي (الـ PDE مقابل الحدود والواجهة)، تُستخدم استراتيجية أوزان تكيفية أثناء التدريب.

نقاط الملاحظة: في حالات المعاملات ذات التباين العالي (قفزات كبيرة في $\rho$ أو $\mu$ )، يتم إضافة نقاط ملاحظة محددة ذات قيم ضغط دقيقة معلومة بالقرب من الواجهة لاستقرار التدريب وتحسين الدقة.

3. المساهمات الرئيسية

أ. التحليل النظري الصارم

تقدير الخطأ: تقدم الورقة تقديراً لخطأ الطاقة شاملاً لتقريب PINN في النطاقات المتطورة.
نظرية رينولدز للنقل: تم استخدام تطبيق مبتكر لنظرية رينولدز للنقل للتعامل مع المشتق الزمني لترم إجمالي الطاقة الحركية في النطاقات المتحركة، وهي خطوة حاسمة غالباً ما يتم إغفالها في أدبيات PINN.
ضمانات التقارب: توضح حدود الخطأ المستمدة (النظرية 4.1) أن إجمالي الخطأ يتكون من:
1. خطأ الأمثلة (Optimization Error): الناجم عن عدم قدرة الشبكة العصبية على تقليل الخسارة بشكل مثالي.
2. خطأ التربيع (Quadrature Error): الناجم عن تكامل مونت كارلو لدالة الخسارة.
  من المهم ملاحظة أن التحليل يكشف أن أخطاء التربيع الناتجة عن الواجهة والحدود والشروط الابتدائية تلعب دوراً مهيمناً، مما يستوجب كثافة أعلى في أخذ العينات في هذه المناطق.

ب. إطار عمل موحد

يتعامل المنهج مع كل من حركة الواجهة المحددة مسبقاً و المدفوعة بالحل ضمن إطار نظري واحد، مما يعالج الاقتران المعقد في الحالة الأخيرة.

ج. التوجيه العملي

يوفر التحليل النظري توجيهاً عملياً للممارسين: لتحقيق الدقة المثلى، يجب تخصيص الموارد الحسابية (نقاط أخذ العينات) استراتيجياً، مع زيادة الكثافة على الواجهة المتحركة والحدود، وليس فقط في النطاق الداخلي.

4. النتائج العددية

قام المؤلفون بالتحقق من صحة المنهج من خلال ثلاث تجارب عددية باستخدام PyTorch:

المثال 1 (حركة محددة مسبقاً، بدون قفزات):
- واجهة بيضاوية مشوهة، متغيرة الحركة، ومتحولة، مع خصائص فيزيائية مستمرة.
- النتيجة: دقة عالية (خطأ $L^2 \approx 10^{-2}$ ) مع معدلات تقارب تتوافق مع النظرية مع زيادة نقاط أخذ العينات.
المثال 2 (حركة محددة مسبقاً، تباين عالٍ):
- واجهة ذات تعديل خماسي معقد مع قفزة بنسبة 1000:1 في الكثافة واللزوجة.
- النتيجة: بدون تدخل، كانت الأخطاء عالية ( $\approx 10^{-1}$ ) بسبب سوء تقريب الضغط عند القفزة. ومن خلال إضافة 50 نقطة ملاحظة للضغط على الواجهة، انخفضت الأخطاء بشكل كبير ( $\approx 10^{-2}$ )، مما يؤكد ضرورة تعزيز البيانات للمشكلات ذات التباين العالي.
المثال 3 (حركة مدفوعة بالحل):
- الحالة الأكثر تحدياً حيث تتطور الواجهة حصرياً بناءً على حل سرعة السائل.
- النتيجة: نجحت خوارزمية التتبع التكرارية في التقاط التشوه المعقد للواجهة. حافظ المنهج على دقة مماثلة للحالات المحددة مسبقاً، مما أظهر المتانة في التعامل مع الاقتران ثنائي الاتجاه بين التدفق والهندسة.

5. الأهمية والأثر

ميزة عدم الاعتماد على الشبكة: يلغي الحاجة إلى إنشاء وتعديل الشبكات المعقدة، مما يجعله مناسباً جداً للمشكلات ذات الواجهات سريعة التغير أو المعقدة طوبولوجياً.
الصرامة النظرية: يسد فجوة في أدبيات PINN من خلال تقديم حدود خطأ صارمة للمشكلات المعتمدة على الزمن ومتعددة الأطوار، متجاوزاً النجاح التجريبي نحو ضمانات نظرية.
القابلية للتطبيق الهندسي: يقدم بديلاً قابلاً للتطبيق لـ CFD التقليدي في مجالات الموائع الدقيقة، والتدفقات الطبية الحيوية، ونماذج البيئة حيث يكون تتبع الواجهة صعباً.
القابلية للتوسع: المنهج قابل للتعميم في الأبعاد الأعلى والاقتران متعدد الفيزياء، مما يوفر مساراً لحل مشكلات التفاعل بين السائل والمنشأ (FSI) التي كان يصعب حلها سابقاً.

باختصار، تؤسس هذه الورقة إطار عمل PINN قوياً، ذا أساس نظري، وفعال عملياً للتدفقات ثنائية الطور مع الواجهات المتحركة، مما يجسّر بنجاح الفجوة بين طرق التعلم العميق والتحليل العددي الصارم لديناميكا الموائع المعقدة.