🤖 machine learning

Green Physics-Informed Machine Learning Models For Structural Health Monitoring

تقيم هذه الورقة الأثر البيئي لنماذج مراقبة الحالة الهيكلية من خلال توضاح كيف يمكن للمنهجيات "الرمادية" القائمة على الفيزياء أن تحقق أداءً استقرائيًا عاليًا بتكاليف حوسبية وانبعاثات كربونية أقل مقارنة بالنماذج "السوداء" القائمة على البيانات فقط.

المؤلفون الأصليون: Daisy R Bradley, Elizabeth J Cross

نُشر 2026-05-01

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Daisy R Bradley, Elizabeth J Cross

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 تعليم روبوت كيف يتنبأ بكيفية اهتزاز جسر أو جناح طائرة عندما تهب الرياح. عادةً، نحن نعلم الروبوتات باستخدام نهج "الصندوق الأسود": نقوم بتغذيتها بآلاف الصور للجسر في رياح مختلفة ونقول لها: "تعلمي النمط". هذا الأسلوب ينجح، لكنه يشبه محاولة تعلم السباحة عن طريق قراءة مليون كتاب عن الماء دون أن تضع قدمك في المسبح أبداً. إنه يستغرق الكثير من الوقت، والكثير من الطاقة، وإذا رأى الروبوت نمط رياح لم يره من قبل، فقد يصاب بالارتباك.

تقدم هذه الورقة طريقة أذكى تسمى "التعلم الآلي الأخضر المستند إلى الفيزياء" (Green Physics-Informed Machine Learning). فكر في الأمر كأنك تعطي الروبوت مدرب سباحة (الفيزياء) جنباً إلى جنب مع الكتب. بدلاً من مجرد حفظ البيانات، يتم إخبار الروبوت بالقواعد الأساسية لكيفية حركة الماء (أو المعدن). يُسمى هذا نموذج "الصندوق الرمادي" لأنه مزيج من البيانات والمعرفة البشرية.

إليك التبسيط لما فعله ووجدته المؤلفتان، ديزي برادلي وإليزابيث كروس:

١. الهدف: توفير الطاقة (الجزء "الأخضر")

تستهلك الحواسيب الكهرباء، وصناعة هذه الكهرباء غالباً ما تنتج انبعاثات كربونية (مثل الدخان المتصاعد من المصنع). أرادت المؤلفتان معرفة: هل تعليم الروبوت قواعد الفيزياء يوفر الطاقة مقارداً بمجرد تغذيته بالبيانات؟

لقد قارنتا بين ثلاثة أنواع من "الروبوتات" (النماذج الرياضية):

الأسود-١ (المتعلم الصرف): ليس لديه أي معرفة مسبقة. يجب عليه تعلم كل شيء من الصفر باستخدام البيانات فقط.
الرمادي-١ (الطالب الذي لديه تلميح): يعرف القواعد العامة للفيزياء ولكنه لا يزال بحاجة لاكتشاف التفاصيل المحددة (مثل الفترة الزمنية الدقيقة للاهتزاز) من خلال النظر في البيانات.
الرمادي-٢ (الخبير): يعرف قواعد الفيزياء تماماً ولا يحتاج لتخمين التفاصيل على الإطلاق.

٢. التجربة: "صندوق الألعاب" و"الشيء الحقيقي"

اختبرتا هذه النماذج بطريقتين:

صندوق الألعاب: مسألة رياضية بسيطة (مثل خط متموج) لمعرفة كيفية سلوك النماذج.
الشيء الحقيقي: اختبار مختبري حقيقي لجناح طائرة معدني صغير (هيكل GARTEUR) لمعرفة ما إذا كان سيصمد في العالم الحقيقي.

الاكتشاف الكبير:
النماذج التي تمتلك معرفة فيزيائية (الصناديق الرمادية) احتاجت إلى بيانات أقل بكثير لإنجاز المهمة بشكل صحيح.

"المتعلم الصرف" احتاج إلى ٨٠٪ من البيانات للحصول على إجابة جيدة.
"الخبير" (الرمادي-٢) احتاج فقط إلى ٢٠٪ من البيانات للحصول على نفس الإجابة الجيدة.

٣. العائق: التعقيد مقابل البيانات

هنا تكمن المفاجأة. إن تعليم الروبوت الفيزياء يجعل الروبوت أكثر تعقيداً قليلاً في البناء (لديه المزيد من "المقابض" أو الإعدادات التي تحتاج لضبط).

في اختبار "صندوق الألعاب" البسيط: كان نموذج "الخبير" هو الفائز. نظرًا لأنه احتاج إلى القليل جداً من البيانات، فقد أنهى عمله بسرعة فائقة، مستهلكاً أقل قدر من الكهرباء. كانت الوفورات الناتجة عن الحاجة لبيانات أقل أكبر من تكلفة التعقيد الإضافي.
في اختبار الطائرة "الحقيقي": كانت النتائج مختلطة بعض الشيء. في بعض الأحيان، جعل التعقيد الإضافي لنموذج الفيزياء يستغرق وقتاً وطاقة أكثر، خاصة عندما كانت كمية البيانات صغيرة جداً. ومع ذلك، عندما استخدمن مجموعة بيانات أكثر كثافة (نقاط أكثر للتعلم منها)، تألق نموذج "الخبير" مرة أخرى، حيث استهلك ٨٩٪ أقل من الطاقة مقارنة بالمتعلم الصرف.

٤. الخلاصة

تخلص المؤلفتان إلى أن إضافة الفيزياء إلى التعلم الآلي تشبه إعطاء طالب خريطة.

إذا كنت تمشي مسافة قصيرة (مجموعات بيانات صغيرة)، فقد تشعر أن حمل الخريطة يمثل وزناً إضافياً.
ولكن إذا كنت تمشي مسافة طويلة (مشكلات هندسية كبيرة ومعقدة)، فإن امتلاك الخريطة يعني أنك لن تضطر للتجول والتحرك عشوائياً بالتخمين. ستصل إلى وجهتك بشكل أسرع، مما يوفر كمية هائلة من الطاقة.

باخت-القول: من خلال دمج المعرفة الهندسية البشرية مع تعلم الكمبيوتر، يمكننا تعليم الآلات القيام بوظائفها ببيانات أقل، مما يعني أنها تعمل بشكل أسرع وتحرق كربون أقل، مما يجعل مراقبة السلامة الهيكلية (التحقق مما إذا كانت الجسور والطائات آمنة) أكثر استدامة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "نماذج تعلم آلي خضراء مستوحاة من الفيزياء للمراقبة الصحية الهيكلية" للباحثين برادلي وكراس.

1. بيان المشكلة

تتناول الورقة البحثية التأثير البيئي المتزايد للتعلم الآلي (ML) في الهندسة، وتحديداً ضمن مجال المراقبة الصحية الهيكلية (SHM). وبينما يُستخدم التعلم الآلي بشكل متزايد في مهام الانحدار والتصنيف في الهندسة، فإن النهج القائم على البيانات فقط ("الصندوق الأسود") يواجه قيوداً كبيرة:

ندرة البيانات: غالباً ما تفشل هذه النماذج في التعميم على الظروف البيئية أو التشغيلية غير المرئية (EOCs) حيث لا تتوفر بيانات تدريبية.
التكلفة الحسابية العالية: لتحقيق دقة عالية، تتطلب نماذج الصندوق الأسود عادةً مجموعات بيانات ضخمة، مما يؤدي إلى فترات تدريب طويلة وانبعاثات كربونية عالية.

يفترض المؤلفون أن التعلم الآلي المستوحى من الفيزياء (PIML) أو نماذج "الصندوق الرمادي"، التي تدمج المعرفة الفيزيائية في بنية النموذج، يمكن أن تقلل من كمية بيانات التدريب المطلوبة. السؤال البحثي الجوهري هو ما إذا كان التخفيض في متطلبات البيانات (وبالتالي وقت التشغيل) يفوق الزيادة المحتملة في تعقيد النموذج الناتجة عن دمج الفيزياء، مما يؤدي في النهاية إلى انبعاثات كربونية أقل.

2. المنهجية

تستخدم الدراسة إطار عمل مقارن باستخدام نماذج انحدار العمليات الغاوسية (GP)، والتي تم اختيارها لقابليتها للتفسير ومرونتها في دمج الفيزياء دون تغيير البنية الأساسية.

أ. بنية النموذج

تم تصميم ثلاثة نماذج متميزة من العمليات الغاوسية لاختبار مستويات متفاوتة من "الرمادية" (دمج المعرفة الفيزيائية):

Black-1 (الصندوق الأسود): نموذج عمليات غاوسية قياسي بمتوسط ثابت ونواة أسية مربعة (SE). يحتوي على 4 معاملات فائقة (hyperparameters) لتعلمها (طول المقياس، تباين المخرجات، المتوسط، والضجيج).
Grey-1 (شبه فيزيائي): نواة SE مضروبة في نواة دورية (تعمل كوكيل للمعرفة الفيزيائية المتعلقة بدورية النظام). يتم حصر معامل الفترة ضمن نطاق 10% من القيمة الحقيقية. يحتوي على 6 معاملات فائقة.
Grey-2 (عالي الفيزياء): مشابه لنموذج Grey-1، ولكن معامل الفترة ثابت عند القيمة الحقيقية (غير محسّن أثناء التدريب). يحتوي على 5 معاملات فائقة.

ب. الإعداد التجريبي

استخدمت الدراسة حالتين اختباريتين:

حالة النموذج المبسط (Toy-box Case): سطح اصطناعي محدد بالمعادلة $y = \sqrt{|x_2|} \sin(4x_1)$ ، صُمم لاختبار قدرات الاستقراء.
الحالة الهندسية (SHM): بيانات واقعية من معيار GARTEUR (هيكل طائرة معدني). المهمة هي التنبؤ باستجابات التسارع مكانياً وزمانياً. تم اختبار تخطيطين للبيانات:
- الأصلي: نقاط بيانات متفرقة.
- المُعالج بالرفع (Upsampled): نقاط بيانات أكثر كثافة (200 نقطة لكل تغطية بنسبة 10%).

ج. مقاييس وأدوات التقييم

عتبة الأداء: تم تدريب النمازج مع تباين في تغطية البيانات (فترات 10%) حتى حققت متوسط خطأ تربيعي معير (NMSE) < 10.
تقدير الكربون: تم استخدام حزمة CodeCarbon لتقدير انبعاثات $gCO_2e$ بناءً على وقت التشغيل، وقدرة التصميم الحراري (TDP) للمعالج، وكثافة الكربون الكهربائي.
الأجهزة: أُجريت التجارب على جهاز Dell Inspiron 5680 (معالج Intel Core i7-8700، ذاكرة 32 جيجابايت).

3. المساهمات الرئيسية

منظور أخضر لـ PIML: هذا هو العمل الأول الذي يقيم نماذج PIML صراحةً من منظور الاستدامة البيئية (الانبعاثات الكربونية) بدلاً من مجرد دقة التنبؤ.
تحليل المقايضة: توضح الدراسة المقايضة بين تعقيد النموذج (عدد المعاملات الفائقة) وكفاءة البيانات. وتثبت أن دمج الفيزياء يقلل من البيانات المطلوبة للوصول إلى هدف الأداء، ولكنه يزيد من التكلفة الحسابية لكل دورة بسبب زيادة عدد المعاملات الفائقة.
رؤية القابلية للتوسع: يوضح المؤلفون أنه بينما تظهر النماذج البسيطة نتائج مختلطة، فإن إمكانات توفير الكربون في PIML تتوسع بشكل كبير مع مجموعات البيانات الأكبر، حيث يهيمن الاختزال في حجم بيانات التدريب على تكلفة التعقيد المتزايدة.

4. النتائج

تشير النتائج إلى أن الفائدة البيئية لـ PIML تعتمد بشكل كبير على حجم مجموعة البيانات وطريقة تكوين دمج الفيزياء.

المقياس	حالة Toy-box	حالة GARTEUR (الأصلية)	حالة GARTEUR (المرفوعة)
تقليل البيانات	تطلب Grey-2 75% بيانات أقل من Black-1.	تطلب Grey-2 57% بيانات أقل.	تطلب Grey-2 75% بيانات أقل.
الانبعاثات ( $gCO_2e$ )	قلل Grey-2 الانبعاثات بنسبة 73.7% (0.124 مقابل 0.471).	زاد Grey-2 الانبعاثات بنسبة 31.9% (0.0984 مقابل 0.0746).	قلل Grey-2 الانبعاثات بنسبة 89.7% (0.209 مقابل 2.04).
المحرك الرئيسي	تقليل البيانات فاق تكلفة المعاملات الفائقة.	صغر حجم البيانات جعل تكلفة تحسين المعاملات الفائقة هي المهيمنة.	حجم البيانات الكبير جعل توفير تقليل البيانات هو المهيمن.

حالة Toy-box وGARTEUR (المرفوعة): حققت النماذج المستوحاة من الفيزياء (خاصة Grey-2) الدقة المستهدفة ببيانات أقل بكثير. وأدى التخفيض في وقت التدريب الناتج إلى توفير هائل في الكربون (تخفيض يصل إلى ~90%).
حالة GARTEUR (الأصلية): نظراً لصغر حجم مجموعة البيانات جداً، فإن العبء الحسابي لتحسين المعاملات الفائقة الإضافية قد فاق الوقت الذي تم توفيره من خلال تقليل نقاط البيانات، مما أدى إلى انبعاثات أعلى قليلاً مقارنة بنموذج الصندوق الأسود.

5. الأهمية والخاتمة

تخلص الورقة إلى أن التعلم الآلي المستوحى من الفيزياء هو استراتيجية قابلة للتطبيق لـ "الحوسبة الخضراء" في الهندسة، ولكن نجاحها مشروط بحجم مجموعة البيانات.

مجموعات البيانات الصغيرة: قد يلغي العبء الإضافي لتعلم المعاملات الفيزيائية فوائد تقليل البيانات.
مجموعات البيانات الكبيرة: التعقيد التكعيبي لتدريب العمليات الغاوسية ( $O(N^3)$ ) يعني أن أي تقليل طفيف في حجم بيانات التدريب ( $N$ ) يؤدي إلى تقليل أسي في وقت التشغيل والانبعاثات الكربونية. في هذه السيناريوهات، تكون "تكلفة" المعاملات الفائقة الإضافية ضئيلة مقارنة بالمدخرات الناتجة عن تقليل البيانات.

العمل المستقبلي: يخطط المؤلفون لتوسيع هذا البحث ليشمل نماذج أكبر (مثل الشبكات العصبية وPINNs) ومشكلات هندسية أكثر تعقيداً للتحقق من أن هذا الاتجاه يظل قائماً مع توسع النماذج إلى المستويات الصناعية. توفر هذه الدراسة إطار عمل تأسيسي للمهندسين لتصميم نماذج تعلم آلي مستدامة من خلال الموازنة الصريحة بين الرؤية الفيزيائية والعبء الحسابي.