Physics-Informed Deep Neural Operator for Estimation of kinetic parameters in distributed activation energy model for parallel reaction systems
تقدم هذه الورقة البحثية مشغلًا عصبيًا عميقًا مستندًا إلى الفيزياء (PI-DeepONet) يقوم بتقدير المعلمات الحركية لأنظمة التفاعلات المتوازية متعددة الخطوات بكفاءة ودقة من خلال دمج القوانين الحركية مباشرة في بنية الشبكة، مما يتيح تحليلًا آنيًا موثوقًا لعمليات التحلل الحراري المعقدة دون الحاجة إلى افتراضات مسبقة.
المؤلفون الأصليون:Feng Han, Xueting Shi, Guoliang Peng, Huayang Sun
عندما يرغب العلماء في فهم كيفية تفكك مادة ما تحت تأثير الحرارة، فإنهم غالباً ما يلجؤون إلى تقنية تسمى التحليل الحراري الوزني. تخيل وضع عينة صغيرة من مادة ما على ميزان داخل فرن ورفع درجة الحرارة ببطء. ومع تسخين المادة، فإنها تطلق غازات وتفقد وزنها. ومن خلال تتبع مقدار الكتلة المفقودة بدقة عند كل درجة حرارة، يمكن للباحثين رؤية قصة تفكك المادة. بالنسبة للمواد البسيطة، تكون هذه القصة مباشرة، ولكن بالنسبة للمواد المعقدة مثل الخشب أو الفحم أو البلاستيك، فإن العملية عبارة عن شبكة متشابكة من العديد من التفاعلات الكيميائية التي تحدث في وقت واحد. ولتفسير ذلك، يستخدم العلماء نماذج رياضية تحاول وصف سرعة وطاقة هذه التفاعلات. لقد كان التحدي طويلاً في تحديد الأرقام المحددة التي تقود هذه النماذج؛ حيث تتطلب الطرق التقليدية غالباً تخمين شكل منحنى التفاعل مسبقاً، أو إجراء حسابات متكررة بطيئة قد تتعثر أو تفشل في إيجاد الإجابة الحقيقية، خاصة عندما تتداخل عشرات التفاعلات.
لقد طور فريق من الباحثين من معهد شمال غرب الصين للتكنولوجيا النووية طريقة جديدة لحل هذا اللغز باستخدام نوع من الذكاء الاصطناعي المصمم لفهم قوانين الفيزياء. فبدلاً من التخمين أو الاستمرار في حسابات لا تنتهي، تتعلم طريقتهم قراءة قصة فقدان الوزن مباشرة وإخبار العلماء فوراً بالأرقام الخفية التي تسببت فيها. وقد طبقوا هذا النهج على نموذج محدد يُعرف بنموذج طاقة التنشيط الموزعة، والذي يعامل المادة المعقدة كما لو كانت مكونة من أجزاء صغيرة مستقلة، يتفكك كل منها بسرعة وطاقة خاصة به. قام الباحثون ببناء شبكة عصبية، وهي نظام حاسوبي مستوحى من الدماغ البشري، تم تدريبها على التعرف على العلاقة بين منحنى فقدان الكتلة والمعايير الكيميائية الكامنة. والأهم من ذلك، أنهم لم يتركوا الكمبيوتر يخمن فحسب، بل أجبروا الكمبيوتر على الامتثال للقوانين الفيزيائية للكيمياء أثناء تدريبه. وهذا يعني أن النظام لم يتعلم فقط مطابقة الأنماط، بل تعلم أيضاً أن الأرقام التي يتنبأ بها يجب أن تنتج فعلياً فقدان الوزن الملحوظ عند إعادة إدخالها في معادلات التفاعل.
اختبر الفريق هذه الأداة الجديدة في سيناريوهين مختلفين: حالة بسيطة تتضمن تفاعلاً واحداً، وحالة أكثر صعوبة تتضمن تفاعلين يحدثان في وقت واحد. وفي المحاكاة الحاسوبية، أثبت النظام دقة ملحوظة؛ فعند تزويده بمنحنى يوضح كيف فقدت مادة ما كتلتها بمرور الوقت، استطاعت الشبكة التنبؤ فوراً بعوامل الطاقة والسرعة المحددة للتفاعلات بمستوى من الدقة يطابق البيانات الأصلية بشكل شبه مثالي. وقد تطابقت المنحنيات المعاد بناؤها، والتي تم إنشاؤها بواسطة تنبؤات الشبكة، مع المنحنيات المستهدفة لدرجة أن الفرق يكاد لا يُرى، حيث أظهرت المقاييس الإحصائية تطابقاً شبه تام. ولم يكن هذا مجرد تمرين نظري؛ فقد أخذ الباحثون بعد ذلك بيانات واقعية لمادة تسمى "أوكسالات الكالسيوم أحادية الهيدرات"، وهي مادة معروفة بتفككها في خطوات منفصلة ومتميزة. وعندما أدخلوا البيانات التجريبية لهذه المادة الحقيقية في شبكتهم المدربة، نجح النظام في تحديد المعايير الحركية للمرحلتين الأوليين من التفكك. وقد تطابقت منحنيات فقدان الكتلة وسرعة التفاعل التي تنبأت بها الشبكة بناءً على هذه الأرقام مع القياسات الفعلية التي أُجريت في المختبر بدقة شديدة.
إن ما يجعل هذا العمل مهماً هو كيفية تغييره لسير عمل العلماء. سابقاً، كان استخراج هذه الأرقام من التفاعلات المعقدة متعددة الخطوات عملية بطيئة وتكرارية تعتمد غالباً على افتراضات حول كيفية توزيع التفاعلات. هذه الطريقة الجديدة تلغي الحاجة إلى تلك الافتراضات؛ فبمجرد تدريب الشبكة، يمكنها النظر إلى مجموعة واحدة من البيانات التجريبية وإخراج المعايير الحركية فوراً دون الحاجة إلى إجراء المزيد من عمليات التحسين أو التخمين. وجد الباحثون أن الطريقة تعمل بشكل موثوق لكل من الأنظمة البسيطة والمتوسطة التعقيد، مما يوفر مساراً سريعاً ومباشراً من البيانات التجريبية الخام إلى فهم عميق لسلوك المادة. وبينما ركزت الدراسة الحالية على المواد التي تكون فيها خطوات التفاعل متميزة، يشير المؤلفون إلى أن العمل المستقبلي سيتعين عليه معالجة المزيجات الأكثر تعقيداً حيث تتداخل ذروات التفاعل بكثافة. ومع ذلك، فإن هذا النهج القائم على الفيزياء يقدم حالياً أداة قوية وفعالة لفك رموز القصص الحرارية للمواد المعقدة، محولاً ما كان ذات يوم مشكلة عكسية صعبة إلى تنبؤ مباشر وبسيط.
ملخص تقني: مُعامل عصبي عميق مستند إلى الفيزياء لتقدير المعلمات الحركية في أنظمة التفاعلات المتوازية
بيان المشكلة يعد التحليل الحراري الوزني (TGA) أداة حاسمة لتوصيف الاستقرار الحراري وآليات التحلل للمواد. ومع ذلك، فإن التقدير الدقيق للمعلمات الحركية لأنظمة التحلل الحراري المعقدة متعددة الخطوات يظل تحدياً كبيراً. غالباً ما تركز الطرق التقليدية (مثل Freeman–Carroll، وKissinger، وCoats–Redfern) على نماذج الخطوة الواحدة أو تتطلب افتراضات مسبقة محددة حول آليات التفاعل. وبينما يوفر نموذج طاقة التنشيط الموزعة (DAEM) إطاراً مرناً لوصف الحركيات المعقدة كتراكب لتفاعلات من الرتبة الأولى المتوازية، فإن حل هذه المشكلة العكسية المرتبطة به يعد أمراً صعباً. تعتمد النهج التقليدية عادةً على التحسين التكراري لتقليل التفاوت بين منحنيات التحول المتوقعة والتجريبية، وهذه الطرق مكلفة حاسوبياً، وعرضة لمشكلات التقارب، وغالباً ما تتطلب تحديد الشكل الوظيفي لتوزيع طاقة التنشيط (مثل التوزيع الغاوسي)، وهو ما قد لا يعكس الفيزياء الحقيقية للمواد غير المتجانسة.
المنهجية يقترح المؤلفون نهجاً جديداً باستخدام مُعامل عصبي عميق مستند إلى الفيزياء (PI-DeepONet) لتقدير المعلمات الحركية لنموذج DAEM المنفصل دون الحاجة إلى تحسين تكراري.
الصياغة الرياضية: يتبنى البحث تقريباً منفصلاً لنموذج DAEM، حيث يتم نمذجة التحول الإجمالي α(t) كمجموع موزون لـ N من التفاعلات المتوازية من الرتبة الأولى. وتخضع القوانين الحركية لمعادلة أرينيوس، حيث الهدف هو تحديد عوامل ما قبل الأس (Ai)، وطاقات التنشيط (Ei)، والأوزان (ci) بناءً على بيانات التحول التجريبية ومعدلات التسخين.
إطار تعلم المُعامل: بدلاً من معامل تقدير المعلمات كمسألة تحسين عكسية قياسية، صاغ المؤلفون الأمر كمسألة تعلم مُعامل. لقد حددوا مُعاملاً G يقوم برسم خرائط من فضاء دالة المدخلات (منحنى التحول α(t) ومعدل التسخين β) مباشرة إلى فضاء المعلمات المخرجات (Ai,Ei).
بنية الشبكة: يتكون PI-DeepONet من شبكتين فرعيتين:
شبكة الفرع (Branch Net): تقوم بترميز ملف التحول المدخل α(t).
شبكة الجذع (Trunk Net): تقوم بترميز معدل التسخين β. ويتم دمج المخرجات للتنبؤ بالمعلمات الحركية.
دالة الفقد المستندة إلى الفيزياء: لضمان الاتساق الفيزيائي وتقليل الحاجة إلى مجموعات بيانات كبيرة مزدوجة، تجمع دالة الفقد مكونين:
خطأ التنبؤ بالمعلمات: الفرق بين المعلمات المستهدفة والمعلمات المتوقعة (في مرحلة التدريب).
خطأ إعادة بناء الفيزياء: يتم تغذية المعلمات التي تتنبأ بها الشبكة مرة أخرى في معادلات DAEM الحاكمة لإعادة بناء منحنى التحول. وتتضمن دالة الفقد التفاوت بين هذا المنحنى المعاد بناؤه والمنحنى الأصلي المدخل.
استراتيجية البيانات: يتم تدريب النموذج على بيانات اصطناعية ناتجة عن الحل العددي لمسألة DA_المنطلق (forward problem) عبر نطاق واسع من قيم المعلمات. ويتضمن معالجة البيانات مسبقاً تحويلات لوغاريتمية لضمان الحصول على مخرجات موجبة للمعلمات الفيزيائية.
المساهمات الرئيسية
تعلم المُعامل للمسائل العكسية: يطبق البحث إطار PI-DeepONet على مجال حركيات التحلل الحراري تحديداً، حيث يعامل تقدير المعلمات كعملية رسم خرائط مباشرة من فضاء الدوال إلى فضاء المعلمات.
الكفاءة والتنبؤ المباشر: على عكس الطرق التكرارية التقليدية، يتطلب النهج المقترح مرحلة تدريب واحدة فقط. وبمجرد تدريبه، يمكنه التنبؤ بالمعلمات الحركية مباشرة من بيانات التحول التجريبية في تمريرة أمامية واحدة، مما يلغي الحاجة إلى التحسين المتكرر.
لا توجد افتراضات مسبقة: لا تتطلب الطريقة تحديد شكل توزيع طاقة التنشيط (مثل التوزيع الغاوسي) أو افتراض عوامل ما قبل أس ثابتة عبر التفاعلات، مما يسمح بتمثيل أكثر مرونة لأنظمة التفاعل المعقدة.
التحقق من الصحة: تم اختبار الطريقة بصرامة على كل من نماذج التفاعل ذات الخطوة الواحدة والخطوتين الاصطناعية، وتم التحقق من صحتها باستخدام بيانات TGA التجريبية لأوكسالات الكالسيوم أحادية الهيدرات.
النتائج
أداء البيانات الاصطناعية:
نموذج الخطوة الواحدة: حقق النموذج دقة عالية للغاية، مع أخطاء نسبية في إعادة بناء التحول (Relative L2 errors) أقل من 10−3 ومعاملات تحديد (R2) تتجاوز 0.99999 عبر مختلف معدلات التسخين.
نموذج الخطوتين: نجح النهج في تقدير المعلمات لنظام أكثر تعقيداً مكون من خطوتين. ورغم أن الأخطاء كانت أعلى قليلاً من حالة الخطوة الواحدة، إلا أن قيم R2 ظلت فوق 0.999، كما تطابقت منحنيات التحول ومعدلات التفاعل المعاد بناؤها بشكل وثيق مع القيم المستهدفة.
التحقق التجريبي:
طُبق النموذج على بيانات TGA التجريبية لأوكسالات الكالسيوم أحادية الهيدرات، وهي مادة معروفة بتحللها متعدد الخطوات (نزع الماء، إطلاق CO، وإزالة CO2).
بالنسبة لخطوة التفاعل الأولى، أدت المعلمات الحركية المتوقعة إلى منحنيات تحول وفقد كتلة اتفقت جيداً مع القياسات التجريبية.
بالنسبة لأول خطوتين مجتمعتين، أظهرت المنحنيات المعاد بناؤها أيضاً توافقاً وثيقاً مع البيانات التجريبية، مما يؤكد قدرة الطريقة على التعامل مع مراحل التفاعل المتداخلة في السيناريوهات الواقعية.
الأهمية والادعاءات يزعم البحث أن نهج PI-DeepONet يوفر حلاً فعالاً وموثوقاً للتحليل الحركي عبر الإنترنت (online) لأنظمة التحلل الحراري المعقدة متعددة الخطوات. ومن خلال دمج القوانين الفيزيائية مباشرة في بنية المُعامل العصبي، يتغلب هذا النهج على الاختناقات الحسابية وصعوبات التقارب المرتبطة بالمحللات العكسية التكرارية التقليدية. ويؤكد المؤلفون أن طريقتهم تتيح التنبؤ المباشر بالمعلمات بعد إجراء عملية تدريب واحدة، مما يجعلها مناسبة للتطبيقات الهندسية العملية حيث يتطلب التحليل السريع لبيانات التحليل الحراري الوزني.
وتقر الدراسة بالقيود، مشيرة إلى أن الإطار الحالي يفترض أن عدد التفاعلات المتوازية (N) معروف مسبقاً وأن النتائج تعتمد على بيانات نظيفة نسبياً. ويُقترح في العمل المستقبلي معالجة التحديد التلقائي لـ N، والمتانة تجاه ضوضاء القياس، والتطبيق على مكونات الكتلة الحيوية المعقدة (السليلوز، الهيميسليلوز، اللجنين). ومع ذلك، ضمن نطاق هذا العمل، تُقدم الطريقة كتقدم كبير في سرة وموثوقية تقدير المعلمات الحركية لنماذج طاقة التنشيط الموزعة.