Physics-informed convolutional neural networks for fluid flow through porous media

ملخص تقني: الشبكات العصبية التلافيفية المستندة إلى الفيزياء لتدفق السوائل عبر الأوساط المسامية

بيان المشكلة
تعاني عملية المحاكاة الدقيقة لتدفق السوائل في الأوساط المسامية من التعقيد الهندسي للفراغات المسامية والتكلفة الحسابية العالية لحل معادلات نافييه-ستوكس. تتطلب الحلول العددية التقليدية، مثل طريقة لاتيس بولتزمان (LBM)، بناء شبكات دقيق وغالبًا ما تظهر تقاربًا بطيئًا، لا سي‌ما في أنظمة نقل الزخم الانتشارية الموجودة في الحدود الصلبة المعقدة. وبينما أظهر التعلم العميق إمكانات واعدة في التنبؤ بالمجالات الفيزيائية، فإن تطبيقها على الأوسط المسامية ذات المسامية المتغيرة والمعقدة يظل تحديًا بسبب الحاجة إلى نماذج تحترم القيود الفيزيائية (مثل عدم الانضغاط، وشروط عدم الانزلاق) وتعمم النتائج خارج نطاق توزيعات التدريب المحددة.

المنهجية
يقترح المؤلفون إطار عمل للشبكات العصبية التلافيفية (CNN) المستندة إلى الفيزياء للتنبؤ بمجالات السرعة داخل المسام مباشرة من الصور الثنائية لهياكل العينات المسامية.

• توليد البيانات: تم توليد مجموعة بيانات مكونة من 10,000 هيكل مسامي ثنائي الأبعاد (256×256 بكسل) باستخدام موجات جيبية واقفة متراكبة ذات أطوار واتجاهات عشوائية. تم أخذ قيم المسامية ($\phi$) بشكل موحد بين 0.70 و0.95. كما تم توليد مجالات السرعة المرجعية (Ground-truth) باستخدام طريقة لاتيس بولتزمان (LBM) تحت ظروف حدودية دورية وعند أرقام رينولدز منخفضة.
• البنية الهيكلية: يستخدم النموذج بنية U-Net التي تعتمد على نظام الترميز وفك الترميز (encoder-decoder) مع وصلات تخطي للحفاظ على التفاصيل المكانية. تم تقييم مختلف النماذج الظهرية التلافيفية (VGG, ResNet, DenseNet, ConvNeXt, EfficientNet, MobileNet).
• دالة الخسارة المستندة إلى الفيزياء: تم تطوير دالة خسارة مخصصة ($L$) لفرض الاتساق الفيزيائي، وتتكون من خمسة عناصر:
  1. خسارة السرعة ($L_{vel}$): متوسط مربع الخطأ بين مجالات السرعة المتوقعة والمرجعية.
  2. خسارة العائق ($L_{obstacle}$): عقوبة بمعيار $L_1$ تفرض سرعة صفرية داخل المناطق الصلبة ($B$).
  3. خسارة التباعد ($L_{div}$): تعاقب التباعد غير الصفري ($\nabla \cdot u$) في الفراغ السائل ($P$) لفرض عدم الانضغاط.
  4. خسارة الدورية ($L_{perio}$): تشجع الاتساق تحت عمليات الإزاحة الدورية من خلال معاقبة الاختلافات بين الهيكل المترجم والتنبؤ المترجم للهيكل الأصلي.
  5. خسارة الالتواء ($L_{tort}$): تعاقب الفرق المربع بين الالتواء المتوقع والالتواء المرجعي ($\tau$)، وهو خاصية عالمية كبرى.
• استراتيجية التدريب: تم اتباع بروتوكول تدريب على مرحلتين. تم أولاً تدريب نموذج "تجريبي" (pilot) باستخدام خسارة السرعة فقط، ثم تم صقله باستخدام دالة الخسارة الكاملة مع أوزان محسنة ($\alpha=5, \beta=1, \gamma=0.1, \delta=0.01$). كما طُبق تعزيز البيانات (القلب الرأسي، والتدوير العشوائي) لتعزيز القدرة على التعميم.

النتائج الرئيسية

• أداء البنية الهيكلية: من بين النماذج الظهرية المختبرة، حققت بنية ResNet-101 أفضل أداء، حيث سجلت أدنى جذر لمتوسط مربع الخطأ (RMSE) لتنبؤات السرعة ($5.1 \times 10^{-3}$) ومعاملات تحديد ($R^2$) عالية للخصائص المشتقة: 0.983 للالتواء و0.997 للنفاذية.
• تحليل دالة الخسارة: أظهرت دراسات الاستئصال المنهجية أنه بينما قللت خسارة السرعة وحدها من قيمة MSE، إلا أنها فشلت في كبح التدفق الزائف في المواد الصلبة أو التنبؤ بالالتواء بدقة. وقد أدى إدراج عناصر العائق، والتباعد، والدورية، والالتواء إلى تحسين المعقولية الفيزيائية والتنبؤ بالخصائص العالمية بشكل كبير، حيث حققت دالة الخسارة الكاملة $R^2$ قدره 0.983 للالتواء.
• التعميم: أظهر النموذج قدرة قوية على التعميم على عينات خارج نطاق التوزيع دون إعادة تدريب:
  • الهندسة: نجح النموذج في التنبؤ بالتدفقات في الهياكل ذات العوائق المربعة والمختلطة، رغم انخفاض الدقة قليًا مع زيادة نسبة العوائق المربعة.
  • الشروط الحدودية: عمم النموذج نفسه على الهياكل "الأنبوبية" ذات الحدود المحصورة، حيث أعاد بناء ملفات التدفق أحادية الاتجاه بشكل صحيح رغم عدم رؤيته لهذه القيود أثناء التدريب.
  • المسامية: ظل الأداء مرتفعًا للمساميات ضمن نطاق التدريب وأدنى منه قليلاً (0.6–0.8). ومع ذلك، تدهورت الدقة بشكل ملحوظ عند المساميات المنخفضة جدًا (0.5–0.6) بالقرب من عتبة التغلغل، حيث يهيمن النقل على القنوات الضيقة وتحولات الاتصال.
  • البيانات الواقعية: عند اختباره على مقاطع ثنائية الأبعاد من هياكل أقطاب Li-O2 (غير منتظمة وغير متجانسة للغاية)، حافظ النموذج على دقة معقولة للنفاذية ($R^2=0.986$)، رغم أن التنبؤ بالالتواء كان أقل دقة ($R^2=0.798$) بسبب التعقيد الهندسي.
• البدء الأولي لـ LBM: تم توضيح تطبيق عملي حيث استُخدم مجال السرعة المتوقع من CNN كـ "بداية دافئة" (warm start) لمحلل LBM. أدى هذا النهج إلى تسريع تقارب LBM في أكثر من 90% من الحالات، مما قلل من متوسط عدد التكرارات بنسبة 50% تقريبًا مقارنة بـ "البداية الباردة" (السرعة صفر).
• الكفاءة: يستغرق الاستنتاج (Inference) على وحدة معالجة الرسومات حوالي 5 مللي ثانية لكل هيكل، مقارنة بمتوسط 560 مللي ثانية لمحاكاة LBM كاملة على وحدة معالجة مركزية.

الأهمية والادعاءات
لا يضع المؤلفون هذا العمل كمقدمة لنموذج تعلم جديد، بل كصياغة محددة وتقييم صارم لـ دالة خسارة مستندة إلى الفيزياء خاصة بالمشكلة للتنبؤ بتدفق مستوى المسام. وتتمثل المساهمات الرئيسية في:

1. تطوير خط إنتاج كامل بدءًا من توليد البيانات الاصطناعية وصولًا إلى تدريب CNN للتنبؤ بمجال السرعة.
2. بناء وتحليل منهجي لدالة خسارة متعددة العناصر توازن بين دقة السرعة المحلية والقيود الفيزيائية العالمية (عدم النفاذية، عدم الانضغاط، الدورية، والالتواء).
3. إثبات قدرة هذه النماذج على التعميم على أشكال العوائق المختلفة، والشروط الحدودية، والمسامية، طالما ظلت خصائص التدفق الأساسية متشابهة.
4. التحقق من أن تنبؤات CNN تعمل كشروط أولية فعالة للمحللات التقليدية، مما يقلل وقت الحساب بشكل كبير لمشاكل الحدود المعقدة.

يقر المؤلفون بالقيود، مشيرين إلى أن التنفيذ الحالي مقتصر على 2D، والهياكل ذات الدقة الثابتة، ويعاني من صعوبة في التعامل مع أنظمة المسامية المنخفضة للغاية بالقرب من عتبات التغلغل. ويقترح المؤلفون أن العمل المستقبلي يمكن أن يوسع ذلك ليشمل أنظمة ثلاثية الأبعاد ويستكشف التعلم بنقل المعرفة (transfer learning) للهياكل التي يتم الحصول عليها تجريبيًا.