ملخص تقني: التنبؤ المتسارع وذو الكفاءة العالية في البيانات لتدفقات السوائل في الخزانات المقلبة عبر التعلم المستند إلى الفيزياء

بيان المشكلة

تعد محاكاة تدفقات السوائل في الأوعية الصناعية المقلبة مكلفة حاسوبياً بسبب تعقيد المعادلات التفاضلية الجزئية (PDEs) الحاكمة. ورغم وجود طرق عالية الدقة مثل محاكاة الدوامات الكبيرة (LES) والمحاكاة العددية المباشرة (DNS)، إلا أن حتى عمليات محاكاة معادلات نافير-ستوكس لمتوسط رينولدز (RANS) الروتينية قد تكون باهظة التكلفة للتطبيقات التي تتطلب تكراراً سريعاً، مثل تحسين عمليات التخمير والتبلور. علاوة على ذلك، فإن التغييرات الطفيفة في ظروف التشغيل (مثل سرعة الدافعة أو ارتفاع السائل) تستلزم إجراء عمليات محاكاة جديدة. وبينما يقدم التعلم الآلي (ML) إمكانية كبديل (Surrogate) لتسريع هذه التنبؤات، فإن النماذج التقليدية القائمة على البيانات تتطلب عادةً مجموعات بيانات تدريب ضخمة، مما يخلق مقايضة بين تكلفة توليد بيانات المحاكاة ودقة التنبؤ. يبحث هذا العمل في العلاقة بين حجم مجموعة التدريب ودقة التنبؤ لمجالات التدفق المستقرة في وعاء مُقلب بمقياس صناعي، مع تقييم فعالية الشبكات العصبية المستندة إلى الفيزياء (PINNs) في أنظمة البيانات المنخفضة.

المنهجية

توليد البيانات

تستخدم الدراسة مجموعة بيانات من محاكاة RANS أحادية الطور ومستقرة، تم توليدها باستخدام نموذج الاضطراب $k-\omega$ (صيغة SST) لخزان توربين روسون (Rushton turbine) متعدد الدوافع بسعة 22 متر مكعب. تغطي مجموعة البيانات نطاقاً من ظروف التشغيل الواقعية المحددة بـ:

• ارتفاع السائل: عينات منتظمة بين 1.5 م و6.5 م.
• معدل التقليب: عينات بين 50 و150 دورة في الدقيقة (rpm).
  أُجريت عمليات المحاكاة باستخدام Ansys Fluent 2024R1 مع نهج الإطار المرجعي المتعدد (MRF) لالتقاط دوران الخلاط. وتتضمن البيانات الناتلة الإحداثيات المكانية، ومكونات السرعة، والضغط، والكسور الحجمية للطور، ومعاملات إغلاق الاضطراب، حيث تم أخذ العينات عند 100,000 نقطة لكل حالة للحفاظ على كثافة الشبكة غير المنتظمة للشبكة الأصلية (CFD).

بنية النموذج

يستخدم المؤلفون التمثيلات العصبية الضمنية (INRs) لتعلم خرائط مستمرة من الإحداثيات المكانية ومعلمات التشغيل (معدل التقليب، ارتفاع السائل) إلى متغيرات التدفق.

• بنية الشبكة: شبكة عصبية متعددة الطبقات (MLP) متصلة بالكامل تتكون من 10 طبقات خفية تضم 100 عقدة لكل منها.
• معالجة المدخلات: لمعالجة الانحياز الطيفي للتمثيلات العصبية الضمنية القياسية (الميل لتعلم المكونات منخفضة التردد أولاً)، يتم تطبيق "خرائط سمات فورييه" (Fourier Feature Mappings) على إحداثيات المدخلات قبل دخولها إلى الـ MLP.
• التنشيط: تُستخدم دالة التنشيط (Tanh) لضمان وجود دوال غير خطية سلسة ومحدودة تناسب المجالات الفيزيائية.

استراتيجيات التدريب ودوال الخسارة

تمت مقارنة ثلاثة أنواع من النماذج:

1. MLP: نموذج يعتمد كلياً على البيانات، يتم تدريبه حصرياً على بيانات CFD المصنفة باستخدام خسارة متوسط مربع الخطأ (MSE) ($L_{data}$).
2. C-MLP: نموذج معزز ببقايا معادلة الاستمرارية ($R_{cont}$) في دالة الخسارة.
3. CM-MLP: نموذج معزز بكل من بقايا معادلة الاستمرارية ومعادلة الزخم ($R_{cont}$ و $R_{u}$).

ملاحظة: تم استبعاد بقايا النقل للطاقة الحركية الاضطرابية ($k$) ومعدل التبديد النوعي ($\omega$) عمداً من خسارة الفيزياء المستندة إلى الفيزياء. أظهرت التجارب الأولية أن تضمين هذه الحدود يؤدي إلى تدهور استقرار التدريب بسبب اللاخطية العالية والصلابة في حدود مصدر SST $k-\omega$ ودوال المزج المعتمدة على المسافة من الجدار.

إجمالي الخسارة هو مجموع موزون لخسارة البيانات وبقايا المعادلات التفاضلية الجزئية ($L_{res}$)، حيث يتم قياس حد الـ PDE بمعامل $10^{-3}$ وتطبيعه بواسطة مقداره المنفصل لضمان توازن الأمثلة (Optimization).

التقييم

تم تقييم الأداء باستخدام:

1. الدقة العالمية: متوسط مربع الخطأ (MSE) للاختبار عبر جميع المتغيرات المتوقعة.
2. التحليل المكاني النوعي: مقارنة بصرية للمجالات المتوقعة مقابل البيانات المرجعية.
3. محاكاة نقل المقتفي (Tracer): محاكاة تشتت المقتفي الخامل في مجالات تدفق متوقعة "مجمدة" لتقييم الاتساق الفيزيائي وديناميكيات الخلط.

النتائج الرئيسية

المقايضة بين البيانات والدقة

• التحسن الرتيب: ينخفض خطأ التنبؤ (MSE) بشكل رتيب مع زيادة حجم مجموعة التدريب لجميع فئات النماذج.
• تناقص العوائد: بعد أحجام مجموعات البيانات المتوسطة (حوالي 36-54 عينة)، يتباطأ معدل تحسن الدقة بشكل كبير. يبدأ أداء نماذج الفئات المختلفة في التقارب، مما يشير إلى أن مجموعة صغيرة نسبياً من نقاط التشغيل المختارة جيداً تلتقط البنية المهيمنة القابلة للتعلم للتدفق.

تأثير القيود الفيزيائية

• نظام البيانات المنخفضة: في سيناريوهات البيانات المحدودة (مثل 7 أو 18 عينة)، تتفوق النماذج المقيدة بالفيزياء (C-MLP و CM-MLP) بشكل كبير على نموذج MLP المعتمد على البيانات فقط. فهي تحقق MSE عالمي أقل، وتفاوتًا أقل بين عمليات التشغيل (متانة عبر البذور العشوائية)، وتنبؤات مكانية أكثر دقة، خاصة في المناطق ذات تدرجات السرعة القوية.
• نظام البيانات العالية: مع نمو حجم البيانات، تتضاءل الميزة النسبية للقيود. فمع توفر بيانات كافية، يقترب نموذج MLP غير المقيد من أداء النسخ المقيدة.
• بقايا المعادلات التفاضلية الجزئية (PDE Residuals): بينما تقلل نماذج MLP غير المقيدة من خطأ التنبؤ مع زيادة البيانات، تظل بقايا الـ PDE الخاصة بها (المحسوبة عبر الاشتقاق التلقائي) كبيرة نسبياً. تحافظ النماذج المقيدة على بقايا أقل من خلال البناء، وهو أمر بالغ الأهمية للمهام اللاحقة التي تتطلب تدرجات المجال.

نقل المقتفي والاستقرار

• ديناميكيات الخلط: كشفت محاكاة المقتفي أن النماذج غير المقيدة المدربة على مجموعات بيانات صغيرة أظهرت تبايناً أعلى بين عمليات التشغيل وانحيازاً في الحالة النهائية مقارنة بمرجع CFD. قلل قيد الاستمرارية (C-MLP) من هذا الانحياز والتباين.
• الاقتران العددي: ثبت أن دمج المجالات المستقرة المتعلمة في برنامج CFD تقليدي لمحاكاة نقل المقتفي العابر عملية حساسة عددياً. فحتى مع وجود أخطاء عالمية صغيرة، يمكن للتناقضات المحلية أو عدم تطابق التجزئة (Discretization) أن تؤدي إلى تباعد زائف أو قيم قصوى غير فيزيائية، مما يتطلب فحصاً دقيقاً للتدخل والاتساق.

الأهمية والمساهمات

يقدم البحث ثلاث مساهمات رئيسية في مجال التعلم الآلي العلمي لديناميكا السوائل:

1. توليد مجموعة البيانات: قام المؤلفون بتوليد ونشر مجموعة بيانات محكومة لمجالات التدفق المستقرة في وعاء مقلب صناعي باستخدام محاكاة RANS ($k-\omega$) عبر مسح لمعدلات التقليب وارتفاعات السائل.
2. الدراسة التجريبية لكفاءة البيانات: يوفر العمل تقييماً منهجياً للمقايضة بين البيانات والدقة، موضحاً وجود تناقص واضح في العوائد في الدقة بعد أحجام مجموعات البيانات المتوسطة، ويحدد الفوائد المحددة للقيود الفيزيائية في أنظمة البيانات المنخفضة.
3. تكميم القيود الفيزيائية: توضح الدراسة أن النماذج المقيدة بالمعادلات التفاضلية الجزئية تحسن الدقة والاستقرار بشكل كبير عندما تكون البيانات شحيحة. ومع ذلك، فإنها تسلط الضوء أيضاً على التحديات العملية، بما في ذلك زيادة تعقيد التدريب وهشاشة الاقتران العددي عند إعادة دمج المجالات المتعلمة في برامج CFD التقليدية.

يخلص المؤلفون إلى أنه بينما يوفر التعلم المستند إلى الفيزياء مساراً قوياً للتنبؤ بالتدفق بكفاءة عالية في البيانات، فإن الفوائد تكون أكثر بروزاً عندما تكون بيانات التدريب محدودة. ومع زيادة توافر البيانات، تنخفض المكاسب الهامشية من القيود الفيزيائية الصريحة، رغم أنها تظل قيمة لضمان الاتساق الفيزيائي في الكميات المشتقة.