🔬 condensed matter

Topological Data Analysis combined with Machine Learning for Predicting Permeability of Porous Media

تُثبت هذه الورقة أن الجمع بين تحليل البيانات الطوبولوجية وتعلم الآلة يتنبأ بفعالية بنفاذية الأوساط المسامية من خلال استخدام الميزات الهيكلية والطوبولوجية والشبكية المستخرجة من البيانات الاصطناعية والتجريبية.

المؤلفون الأصليون: Ebru Dagdelen, Catherin Neena Lalu, Aakash Karlekar, Manav Arora, Matthew Illingworth, Jonathan Jaquette, Linda Cummings, Lou Kondic

نُشر 2026-05-19

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ebru Dagdelen, Catherin Neena Lalu, Aakash Karlekar, Manav Arora, Matthew Illingworth, Jonathan Jaquette, Linda Cummings, Lou Kondic

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 أن لديك إسفنجة ضخمة ومعقدة مكونة من آلاف الكرات المتناثرة عشوائياً. أنت تريد معرفة مدى سهولة تدفق الماء من خلالها. في العالم الحقيقي، يشبه هذا محاولة معرفة مدى سرعة حركة الزيت عبر الصخور تحت الأرض أو مدى كفاءة مرشح (فلتر) المياه.

تقليدياً، يضطر العلماء لإجراء عمليات محاكاة حاسوبية بطيئة وثقيلة للإجابة على هذا التساؤل. الأمر يشبه محاولة حساب المسار الدقيق لكل قطرة ماء وهي تتلوى عبر الإسفنجة. وهذا يستغرق وقتاً طويلاً وقدرة حوسبية هائلة.

تقدم هذه الورقة البحثية اختصاراً ذكياً: استخدام الذكاء الاصطناعي (AI) لتخمين الإجابة بدلاً من حسابها.

إليك كيف فعلوا ذلك، مقسماً إلى خطوات بسيطة:

1. صنع "الإسفنجة" (البيانات)

أولاً، لم يستخدم الباحثون صخوراً أو إسفنجات حقيقية. بل استخدموا برنامج حاسوب لإنشاء 1000 إسفنجة وهمية.

الوصفة: قاموا بإسقاط كرات (مثل الرخام) عشوائياً داخل صندوق ثلاثي الأبعاد. المساحات الفارغة بين هذه الكرات هي المكان الذي ستتدفق منه المياه.
الحقيقة المطلقة (المرجع): لكل إسفنجة وهمية صنعوها، قاموا بتشغيل المحاكاة البطيئة والثقيلة للحصول على الإجابة الدقيقة حول مدى نفاذيتها (سهولة تدفق الماء عبرها). أعطاهم هذا "مفتاح إجابات" للتحقق من دقة الذكاء الاصطناعي لاحقاً.

2. وصف الإسفنجة (الميزات)

لتعليم الذكاء الاصطناعي، احتاجوا لوصف كل إسفنجة بطريقة يمكن للحاسوب فهمها. لم يكتفوا بالقول "إنها إسفنجة"، بل فككوا الوصف إلى ثلاث "لغات" مختلفة:

لغة "المهندس المعماري" (الميزات الهيكلية): هذا هو الشكل الهندسي الأساسي. ما حجم الكرات؟ كم تبلغ مساحة الفراغ؟ ما مدى تعرج المسارات؟ الأمر يشبه قياس أحجام الغرف وعرض الممرات في منزل ما.
لغة "رسام الخرائط" (ميزات الشبكة): تخيل تحويل الإسفنجة إلى خريطة مترو. "المحطات" هي الجيوب الفارغة الكبيرة، و"السكك" هي الأنفاق الضيقة التي تربط بينها. قاموا بعدّ عدد المحطات، وعدد السكك التي تربط بينها، والمسافة بين هذه المحطات.
لغة "مراقب الأشكال" (الميزات الطوبولوجية): هذا هو الجزء الأكثر تميزاً. استخدموا أداة رياضية تسمى تحليل البيانات الطوبولوجي (TDA).
- التشبيه: تخيل أن الإسفنجة عبقارة عن تضاريس. الذكاء الاصطناعي لا ينظر فقط إلى ارتفاع التلال؛ بل ينظر إلى شكل الأرض. إنه يعد كم عدد الجزر المنفصلة، وكم عدد الحلقات أو المسارات الدائرية الموجودة، وكم تستمر هذه الحلقات قبل أن تنغلق. الأمر يشبه عدّ عدد قطع "الدونات" في كومة من العجين، بغض النظر عن مدى انضغاط العجين.

3. معلم الذكاء الاصطناعي (تعلم الآلة)

قاموا بتغذية كل هذه الأوصاف (المعماري، ورسام الخرائط، ومراقب الأشكال) في شبكة عصبية (نوع من أدمغة الذكاء الاصطناعي).

التدريب: عرضوا على الذكاء الاصطناعي وصف الإسفنجة مع "مفتاح الإجابة" الخاص بها (معدل التدفق الدقيق).
التعلم: بحث الذكاء الاصطناعي عن الأنماط. تعلم قائلاً: "آه، عندما تكون الحلقات في لغة مراقب الأشكال طويلة والأنفاق في لغة رسام الخرائط قصيرة، فإن الماء يتدفق بسرعة".
الاختبار: بمجرد التدريب، أعطوا الذكاء الاصطناعي إسفنجات جديدة لم يرها من قبل وطلبوا منه تخمين معدل التدفق.

4. النتائج: السرعة مقابل الدقة

تقارن الورقة بين ثلاث طرق للحصول على الإجابة:

الطريقة القديمة (المحاكاة المباشرة): دقيقة للغاية، ولكنها تستغرق حوالي 25 ساعة لمعالجة الـ 1000 إسفنجة جميعها.
طريقة الذكاء الاصطناعي (باستخدام جميع الأوصاف): دقيقة تقريباً مثل الطريقة القديمة (بنسبة خطأ حوالي 5% فقط)، ولكنها تستغرق أقل من 5 ثوانٍ لمعالجة الـ 1000 إسفنجة.
طريقة "الخريطة فقط": إذا استخدمت فقط خريطة المترو (ميزات الشبكة)، سيكون الذكاء الاصطناعي أقل دقة قليلاً، لكنه لا يزال جيداً جداً.
طريقة "الشكل فقط": إذا استخدمت فقط بيانات مراقب الأشكال (الطوبولوجية)، سيكون الذكاء الاصطناعي دقيقاً بشكل مدهش وسريعاً جداً في الحساب.

الخلاصة الكبرى

تزعم الورقة أن تحليل البيانات الطوبولوجي (TDA) هو أداة قوية. فمن خلال النظر إلى "شكل" و"اتصال" الثقوب (مثل عدّ الحلقات والجزر)، يمكن للذكاء الاصطناعي التنبؤ بكيفية تدفق السوائل بدقة تقارب أدق القياسات الهندسية، ولكن بسرعة أكبر بكثير.

باختختصر: بدلاً من محاكاة كل قطرة ماء (وهو أمر بطيء)، علموا الحاسوب كيف ينظر إلى "شكل الثقوب" و"خريطة الأنفاق" ليخمن فوراً سرعة تدفق الماء. يمكن لهذا أن يوفر على العلماء كميات هائلة من الوقت عند تصميم المرشحات، أو دراسة خزانات النفط، أو فهم المياه الجوفية.

ملاحظة: تركز الورقة بالكامل على بيانات اصطناعية (وهمية) ولا تدعي أنها اختبرت هذا على عينات حقيقية من الناحية السريرية أو الصناعية بعد، رغم أنها تشير إلى أن هذا توجه واعد للأعمال المستقبلية.

ملخص تقني: دمج تحليل البيانات الطوبولوجي مع التعلم الآلي للتنبؤ بنفاذية الأوساط المسامية

بيان المشكلة
يعد التنبؤ بنفاذية الأوسط المسامية تحديًا حاسمًا في مجالات تتراوح من ترشيح المياه الجوفية إلى استخراج النفط. تعتمد الطرق التقليدية على التجارب المختبرية أو حل المعادلات التفاضلية الجزئية (PDEs) عبر المحاكاة العددية (على سبيل المثال، باستخدام معادلات ستوكس). ورغم دقة هذه الطرق، إلا أن المحاكاة القائمة على المعادلات التفاضلية الجزئية مكثفة حاسوبيًا، حيث تتطلب شبكات دقيقة جدًا ووقت معالجة كبيرًا، لا سيما للعينات الكبيرة أو المعقدة هيكليًا. ويفترض المؤلفون أن التوافر المتزايد للتمثيلات الرقمية للأوساط المسامية يجعل هذه المشكلة مناسبة تمامًا للمناهب القائمة على البيانات، وتحديدًا التعلم الآلي (ML)، لتجاوز التكلفة الحسابية للمحاكاة المباشرة مع الحفاظ على الدقة التنبؤية.

المنهجية
تؤسس الدراسة سير عمل لتدريب نموذج تعلم آلي للتنبؤ بالنفاذية باستخدام واصفات هندسية، وطوبولوجية، وشبكية مشتقة من هياكل مسامية اصطناعية.

توليد البيانات:
- قام المؤلفون بتوليد 1,000 هيكل مسامي ثلاثي الأبعاد باستخدام برنامج تحليل البنية المجهرية المسامية (PuMA).
- تتكون هذه الهياكل من كرات صلبة موزعة عشوائيًا (أقطارها 5-15 فوكسل) داخل نطاق $50 \times 50 \times 50$ فوكسل، مستهدفةً مسامية قدرها 0.5.
- الحقيقة الأرضية (Ground Truth): تم حساب النفاذية لكل هيكل مباشرة باستخدام قدرات برنامج PuMA المدمجة عن طريق حل معادلات ستوكس ومتوسط مكونات القطر لموتر النفاذية.
استخراج الميزات:
استخرج المؤلفون ثلاث فئات من الميزات لتكون متغيرات مدخلة لنموذج التعلم الآلي:
- الميزات الهيكلية: خصائص قابلة للقياس لهندسة الفراغات، بما في ذلك أقطار الكرات، وانتشار الفراغات، والمساحة السطية النوعية، والالتواء (tortuosity). تم حساب هذه الميزات باستخدام الوظائف المدمجة في PuMA.
- الميزات الطوبولوجية: مشتقة باستخدام تحليل البيانات الطوبولوجي (TDA)، وتحديدًا التماثل المستمر (Persistent Homology - PH). تم استخدام طريقتين:
  - نهج معقد ألفا (Alpha Complex Approach): تم إنشاء سحابة نقاط عن طريق أخذ عينات فرعية من بكسلات الفراغ. تم بناء معقدات $\alpha$ ، وتوليد مخططات الاستمرار (PDs) لتتبع ولادة وموت المكونات المتصلة (البعد-0) والحلقات (البعد-1).
  - نهج تحويل المسافة الإقليدية (EDT Approach): تم حساب المسافة الإقليدية الموقعة من كل بكسل فراغ إلى أقرب حدود صلبة. تم تطبيق ترشيح المستوى الأعلى (Superlevel filtration) على هذه القيم لتوليد مخططات الاستمرار (PDs).
  - التحويل القياسي: تم تجميع مخططات الاستمرار (PDs) في ميزات قياسية، وتحديدًا الاستمرار الكلي (Total Persistence - TP)، والذي يجمع أعمار (موت ناقص ميلاد) جميع الميزات الطوبولوجية.
- الميزات الشبكية: تم تبسيط الهياكل المسامية إلى شبكات مسامية باستخدام خوارزمية SNOW2 (المطبقة في PoreSpy). تحدد هذه الخوارزمية مراكز المسام (العقد) والسراديب المتصلة (الحواف). شملت الواصفات اتصال الشبكة (الثلاثيات المغلقة، المسارات بطول اثنين، عدد الحواف) ومقاييس مسافة الشبكة (أطوال الحواف، مسافات الجيران، مركزية القرب).
نموذج التعلم الآلي:
- تم تنفيذ شبكة عصبية أمامية باستخدام TensorFlow.
- البنية: طبقة مدخل واحدة، ثلاث طبقات مخفية كثيفة (128 عقدة لكل منها)، وطبقة مخرجات واحدة، بإجمالي حوالي 50,000 معلمة.
- التدريب: تم تقسيم مجموعة البيانات إلى 700 عينة تدريب، 150 عينة تحقق، و150 عينة اختبار. تم تدريب النموذج لمدة 1,000 حقبة (epoch) باستخدام محسن Adam وخسارة متوسط مربع الخطأ (MSE). تم استخدام دالة التنشيط "الوحدة الخطية المستقيمة" (ReLU) لإدخال اللاخطية.
- الهدف: التنبؤ باللوغاريتم العشري للنفاذية ( $\log_{10} k$ ) بناءً على متجهات الميزات المستخرجة.

النتائج الرئيسية
قيمت الدراسة أداء النموذج باستخدام متوسط النسبة المئوية للخطأ المطلق (MAPE) والوقت الحسابي عبر مجموعات الميزات المختلفة:

الدقة:
- استخدام جميع الواصفات (الهيكلية، الطوبولوجية، والشبكية) حقق MAPE بنسبة 4.70%.
- الميزات الهيكلية وحدها حققت MAPE بنسبة 4.75%.
- الميزات الطوبولوجية (الاستمرار الكلي) حققت MAPE بنسبة 4.72% (لنهج $\alpha$ -complex) و6.31% (لنهج EDT).
- ميزات اتصال الشبكة وحدها أدت إلى MAPE بنسبة 6.78%، بينما أدت ميزات مسافة الشبكة أداءً ضعيفًا بـ MAPE بلغت 11.60%.
- تشير النتائج إلى أن الميزات الطوبولوجية والهيكلية توفران قوة تنبؤية قريبة من المثالية، بينما لا تساهم مقاييس مسافة الشبكة بمعلومات مفيدة تذكر.
الكفاءة الحسابية:
- حساب الحقيقة الأرضية: استغرق حساب النفاذية لـ 1,000 هيكل عبر برنامج PuMA زمن قدره 92,480 ثانية.
- تنبؤ التعلم الآلي: بمجرد تدريب الشبكة العصبية، تنبأت النفاذية لـ 1,000 هيكل في 4.7 ثانية (باستخدام جميع الميزات).
- استخراج الميزات: استغرق استخراج الميزات الهيكلية أطول وقت (18,040 ثانية)، بينما كان استخراج الميزات الشبكية هو الأسرع (820 ثانية). وكان استخراج الميزات الطوبولوجية (EDT) فعالاً بشكل ملحوظ عند 312 ثانية.

الأهمية والادعاءات
يدعي البحث أن تحليل البيانات الطوبولوجي (TDA) يوفر مجموعة مفيدة من الميزات التي، عند دمجها مع التعلم الآلي، تعطي نتائج ذات مغزى، وتحديدًا:

التحقق من صحة TDA: تثبت الدراسة أن مقاييس التماثل المستمر هي متنبئات صالحة للنفاذية، مما يقدم أداءً مشابهًا للواصفات الهيكلية التقليدية.
المفاضلة بين الكفاءة والدقة: تشير الدراسة إلى أن الميزات الهيكلية توفر أفضل توازن بين الخطأ ووقت الاستخراج، بينما توفر الميزات الطوبولوجية (خاصة عبر EDT) "حلاً وسطًا"، حيث تقدم تنبؤات دقيقة مع تكلفة حسابية أقل بكثير من التحليل الهيكلي الكامل أو المحاكاة المباشرة.
الفائدة التعليمية: يؤكد المؤلفون أن عملهم يقدم هذه التقنيات بطريقة سهلة الوصول باستخدام برمجيات موثقة جيدًا، بهدف أن يكون موردًا للمعلمين والباحثين الذين يقدمون الطلاب للتعلم الآلي وTDA في علم المواد.
النطاق المحدود: يشير المؤلفون إلى أن الدراسة الحالية محدودة بالبيانات الاصطناعية (نطاقات $50 \times 50 \times 50$ ) وأن تبسيط الشبكة (SNOW2) يتضمن فقدانًا في الدقة. ويقترحون أنه بينما تبدو هذه النتائج الحالية واعدة، يجب أن تستكشف الأعمال المستقبلية نطاقات أكبر ومجموعات بيانات تجريبية لتأكيد التجانس الإحصائي والقدرة على التعميم.

تخلص الورقة إلى أن نماذج التعلم الآلي المدربة على هذه الواصفات توفر بديلًا عالي الكفاءة للطرق التقليدية القائمة على المحاكاة، مما يقلل التكاليف الحسابية بشكل كبير مع تقديم تقديرات موثوقة للنفاذية.