Topological Data Analysis combined with Machine Learning for Predicting Permeability of Porous Media
تُثبت هذه الورقة أن الجمع بين تحليل البيانات الطوبولوجية والتعلم الآلي يتنبأ بفعالية بنفاذية الأوساط المسامية من خلال الاستفادة من السمات الهيكلية والطوبولوجية والقائمة على الشبكات المستمدة من البيانات الاصطناعية والتجريبية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تواجه السوائل التي تتحرك عبر الصخور أو التربة أو المرشحات المصنعة متاهة من الممرات الصغيرة والمتعرجة. هذه المواد، المعروفة باسم الأوساط المسامية، موجودة في كل مكان في العالم الطبيعي والصناعي، من طبقات المياه الجوفية التي تمدنا بمياه الشرب إلى الخزانات التي تحفظ النفط، وصولاً إلى الأغشية التي تنقي هواءنا. وهناك خاصية رئيسية تحدد مدى سهولة حركة السائل عبر مثل هذه المادة تسمى "النفاذية". وهي مقياس لمدى سهولة مرور السائل عبر الفجوات الصغيرة بين الجسيمات الصلبة عندما يُدفع بواسطة الضغط. إن معرفة هذه القيمة أمر بالغ الأهمية للمهندسين والعلماء الذين يحتاجون إلى التنبؤ بالسرعة التي ستترشح بها المياه عبر الأرض، أو كمية النفط التي يمكن استخراجها من تكوين صخري، أو مدى كفاءة تخزين الغاز تحت الأرض.
تقليدياً، كان العثور على هذا الرقم مهمة بطيئة وصعبة. ونظراً لأن البنية الداخلية لهذه المواد معقدة وغير منتظمة للغاية، فإن حساب التدفق يتطلب حل معادلات معقدة تصف حركة السوائل على المستوى المجهري. القيام بذلك لعينة واحدة غالباً ما يتطلب حواسيب قوية وساعات من المعالجة. وبينما يمكن توليد أو التقاط البيانات الأساسية — وهي الصور الرقمية للصخور أو التربة — بسهولة نسبية، إلا أن العمل الرياضي لتحويل هذه الصور إلى تنبؤ بالتدفق يظل يمثل عقبة. وقد أدى هذا التحدي بالباحثين إلى البحث عن طرق أسرع لتقدير النفاذية، متوجهين نحو مجال أحدث تحولاً في مجالات عديدة من العلوم: تعلم الآلة. ومن خلال تعليم الحواسيب التعرف على الأنماط في البيانات، يأمل العلماء في تجاوز الحسابات الثقيلة والتنبؤ بخصائص التدفق بشكل فوري تقرياً.
لقد اتخذ فريق من الباحثين في معهد نيو جيرسي للتكنولوجيا نهجاً جديداً لهذه المشكلة من خلال الجمع بين تعلم الآلة وأداة رياضية مصممة لفهم الشكل والاتصال. وبدلاً من الاعتماد فقط على القياسات التقليدية للحجم ومساحة السطح، استكشفوا ما إذا كان "التوبولوجيا" (علم الشكل) للمادة — أي الطريقة التي تتصل بها الثقوب والمسارات — يمكن أن تعمل كطريق مختصر. لقد أنشأوا مجموعة بيانات من ألف مادة مسامية اصطناعية، وهي في الأساس نماذج رقمية مكونة من كرات متراصة عشوائياً تحاكي الفراغات الموجودة في الصخور الحقيقية. ولكل نموذج، قاموا أولاً بحساب النفاذية الدقيقة باستخدام محاكاة حاسوبية قياسية تستغرق وقتاً طويلاً لتأسيس "حقيقة" موثوقة. وقد أصبحت مجموعة الإجابات المعروفة هذه هي أرض التدريب لنظام تعلم الآلة الخاص بهم.
بعد ذلك، قام الباحثون بتجريد كل نموذج رقمي إلى سماته الأساسية لمعرفة أي منها يمكن للحاسوب استخدامه لتعلم العلاقة بين البنية والتدفق. لقد جمعوا ثلاثة أنواع من المعلومات: أولاً، قاسوا السمات الهيكلية الأساسية، مثل حجم الكرات وإجمالي مساحة سطح الفراغات. ثانياً، بسطوا المتاهة ثلاثية الأبعاد المعقدة من الثقوب إلى شبكة من العقد والوصلات، تشبه خريطة مترو الأنفاق، لالتقاط كيفية ارتباط المسارات ببعضها البعض. وثالثاً، والأهم من ذلك، طبقوا تقنية تسمى "تحليل البيانات التوبولوجي". تعامل هذه الطريقة مع الفراغ كمنظر طبيعي وتتتبع كيف يتغير شكله مع تخيل ارتفاع وانخفاض ضباب فوقه. ومع تغير مستوى الضباب، تظهر جيوب هوائية معزولة وتندمج، وتتشكل حلقات أو أنفاق ثم تُغلق. ومن خلال تسجيل متى تظهر هذه الميزات ومتى تختفي، أنشأ الباحثون ملخصاً لاتصال المادة، وهو ملخص يختلف عن قياسات الحجم البسيطة.
قاموا بتغذية هذه المجموعات المختلفة من السمات في شبكة عصبية، وهي نوع من البرامج الحاسوبية المصممة للتعلم من الأمثلة. كان الهدف بسيطاً: هل يمكن للحاسوب أن ينظر إلى الوصف الهيكلي أو الشبكي أو التوبولوجي لمادة جديدة غير مرئية ويخمن نفاذيتها بشكل صحيح؟ كانت النتائج مذهلة. فعندما تم تدريب النموذج باستخدام جميع المعلومات المتاحة، تنبأ بالنفاذية بمعدل خطأ يقل عن خمسة بالمائة، وهو مستوى من الدقة يضاهي عمليات المحاكاة التقليدية الأبطأ بكثير. والأكثر تشجيعاً هو أن النموذج كان يعمل بكفاءة عالية تقريباً عندما أُعطي البيانات التوبولوجية فقط أو البيانات الهيكلية الأساسية فقط، مما يشير إلى أن طريقة اتصال الثقوب لا تقل أهمية عن حجمها.
ومع ذلك، لم تكن جميع الطرق المختصرة تعمل بنفس الكفاءة. فقد وجد الباحثون أنه عندما اعتمدوا فقط على خريطة الشبكة المبسطة — متجاهلين المسافات المحددة بين الوصلات — أصبحت التنبؤات أقل دقة. وهذا يشير إلى أنه بينما يهم التخطيط العام للمسارات، فإن المسافات الدقيقة بينها تحمل أيضاً معلومات حيوية قد تغفل عنها الخريطة التقريبية. كما قارنت الدراسة سرعة الطريقة الجديدة مقابل الطريقة القديمة؛ حيث استغرق حساب النفاذية لجميع العينات الألف باستخدام طريقة المحاكاة التقليدية ما يقرب من ست وعشرين ساعة من وقت الحاسوب. وفي المقابل، بمجرد تدريب نموذج تعلم الآلة، كان بإمكانه التنبؤ بنفاذية الألف عينة نفسها في أقل من خمس ثوانٍ.
يُظهر هذا العمل أن تعلم الآلة، الموجه بفهم عميق للشكل والاتصال، يمكن أن يوفر بديلاً قوياً للمحاكاة التقليدية. لقد أثبت الباحثون أنه من خلال ترجمة الهندسة المعقدة للمواد المسامية إلى مجموعة من السمات القابلة للقياس، يمكن للحاسوب أن يتعلم التنبؤ بتدفق السوائل بدقة عالية وبأقل قدر من التأخير. وبينما أُجريت الدراسة على نماذج اصطناعية وليس على صخور من العالم الحقيقي، فإن نجاح هذا النهج يشير إلى إمكانية تطبيق هذه التقنيات في النهاية على البيانات التجريبية، مما يوفر أداة سريعة وموثوقة للصناعات التي تعتمد على فهم كيفية حركة السوائل عبر الأرض. وتؤكد النتائج أن البنية الخفية للمواد المسامية هي مفتاح سلوكها، وأنه مع وجود العدسة الرياضية الصحيحة، يمكننا قراءة تلك البنية بشكل فوري تقريباً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.