Physics-Informed Flow Reconstruction from Sparse 3D Lagrangian Particle Tracking: A Systematic Comparison with FlowFit and Binning

توجد السوائل في كل مكان، من الهواء المتدفق فوق جناح طائرة إلى الماء الذي يدور في بالوعة. ولفهم كيفية حركة هذه السويد، يحاول العلماء غالبًا رسم خرائط للتيارات غير المرئية، مما يخلق صورة كاملة للسرعة والضغط عند كل نقطة في الفضاء. وهذا أمر صعب لأن الأدوات المستخدمة لقياس التدفق، مثل تتبع جزيئات التتبع الصغيرة الطافية في الهواء أو الماء، لا تعطينا سوى لقطات متفرقة. تخيل أنك تحاول رسم خريطة مستمرة وسلسة لتضاريس طبيعية باستخدام حفنة فقط من النقاط العشوائية المنتشرة عبر التضاريس؛ فهذه النقاط تخبرك بمكان الأرض في نقاط محددة، لكنها تترك فجوات شاسعة فيما بينها حيث قد توجد التلال والوديان. إن ملء تلك الفجوات بدقة، خاصة لالتقاط المنعطفات الحادة والتغيرات المفاجئة في الضغط التي تحدد التدفقات المعقدة مثل الاضطراب، ظل لفترة طويلة تحديًا رئيسيًا للباحثين.

وضع فريق من الباحثين في المركز الألماني للفضاء مهمة لحل هذه المشكلة من خلال اختبار نوع جديد من الأدوات الرياضية مقابل الطرق القديمة الراسخة. فقد ركزوا على تقنية تسمى "الشبكات العصبية المستوحاة من الفيزياء" (Physics-Informed Neural Networks)، والتي تستخدم الذكاء الاصطناعي ليس فقط لتخمين البيانات المفقودة، بل لتعلم القوانين الفيزيائية الفعلية التي تحكم حركة السويد. وقارنوا هذا النهج الجديد بطريقتين تقليديتين لإعادة بناء التدفق: طريقة بسيطة تعتمد على متوسط نقاط البيانات القريبة، وطريقة أكثر تقدمًا تجبر البيانات على التوافق مع شبكة رياضية محددة. ومن خلال اختبار هذه الأساليب على كل من محاكاة الكمبيوتر للهواء المضطرب وتجارب نفق الرياح في العالم الحقيقي، اكتشفوا أن نهج الشبكة العصبية كان أكثر قوة عندما تكون البيانات شحيحة، حيث حافظ على الهياكل المعقدة للتدفق بشكل أفضل من منافسيه.

بدأ الباحثون بإنشاء نوعين من محاكاة الكمبيوتر لتكون بمثابة ميادين اختبار مثالية. كانت المحاكاة الأولى عبارة عن محاكاة لاضطراب متجانس ومتماثل الخواص، وهو حالة فوضوية ولكن متوازنة من السائل الدوامي بدون جدران أو حدود لتعقيد الأمور. أما الثانية فكانت طبقة حدودية مضطربة، وهي تحاكي تدفق الهواء فوق سطح مستوٍ، مما يخلق منطقة من التغيرات الشديدة في السرعة بجوار الجدار مباشرة. وفي كلتا الحالتين، كانوا يعرفون مجال التدفق الكامل والدقيق، مما سمح لهم برؤية مدى قدرة كل طريقة إعادة بناء على استعادة الحقيقة من البيانات المتفرقة. كما أضافوا اختبارًا ثالثًا باستخدام قياسات حقيقية مأخوذة في نفق رياح في المركز الألمي للفضاء، حيث تتبعوا آلاف القطرات الزيتية الصغيرة التي تتحرك عبر الهواء. في هذا السيناريو الواقعي، لم يكن لديهم خريطة مثالية للمقارنة بها، لذا كان عليهم الحكم على الأساليب بناءً على مدى قدرتها على التنبؤ بحركة الجسيمات التي استبعدوها عمدًا من عملية التدريب.

ولجعل المقارنة عادلة، بدأ الباحثون بنفس البيانات الخام لكل طريقة: مواقع وسرعات وتسارعات الجسيمات المتتبعة، والتي تم تنعيمها لإزالة ضجيج القياس. ثم قاموا بإزالة الجسيمات من مجموعة البيانات بشكل منهجي، محاكيين الظروف التي يتم فيها قياس التدفق بشكل متفرق جدًا. وقد سمح لهم ذلك برؤية كيفية أداء كل طريقة مع انخفاض كمية المعلومات المتاحة. الطريقة البسيطة التي تعتمد على المتوسط، والتي تجمع الجسيمات القريبة في صناديق صغيرة وتحسب متوسط السرعة، واجهت صعوبة فورية؛ فمع تناقص عدد الجسيمات، أنتجت هذه الطة نتائج خشنة ومتعرجة فشلت في التقاط الطبيعة السلسة والمستمرة للسائل. كما فقدت التفاصيل الدقيقة للتدفق، حيث قامت بتنعيم الدوامات الصغيرة النشطة التي تعد ضرورية لفهم الاضطراب.

استخدمت الطريقة الثانية، المعروفة باسم "FlowFit"، نهجًا أكثر تطورًا من خلال مطابقة البيانات لشبكة ثلاثية الأبعاد وإجبار النتيجة على الامتثال لقانون حفظ الكتلة، مما يعني أن السائل لا يمكن أن يظهر أو يختفي ببساطة. أدت هذه الطريقة أداءً جيدًا عندما كانت البيانات كثيفة، حيث أنتجت غالبًا خرائط دقيقة للغاية لسرعة التدفق والضغط. ومع ذلك، مع انخفاض عدد الجسيمات، بدأ أداؤها في التدهور، لا سيالما بالقرب من الجدران حيث يتغير التدفق بسرعة كبيرة. بدأت الطريقة في إدخال تموجات وأخطاء اصطناعية في التدفق المعاد بناؤه، وبينما حافظت على توازن رياضي مثالي للكتلة، إلا أنها أدت أحيانًا إلى فقدان الواقع الفيزيائي لهياكل التدفق التي كانت تحاول تمثيلها.

أما الطريقة الثالثة، وهي الشبكة العصبية المستوحاة من الفيزياء، فقد سلكت مسارًا مختلفًا. فبدلاً من إجبار البيانات على شبكة ثابتة، استخدمت شبكة عصبية مرنة لتعلم دالة مستمرة يمكنها وصف التدفق في أي مكان في الزمان والمكان. والأهم من ذلك، لم يتم إخبار هذه الشبكة بمطابقة سرعات الجسيمات فحسب، بل تم تدريبها أيضًا على استيفاء المعادلات الأساسية لحركة السويد، مما يضمن أن التدفق المعاد بناؤه يتصرف كسائل حقيقي. كانت النتائج مذهلة؛ ففي جميع مستويات الندرة، من البيانات الكثيفة إلى البيانات الشحيحة جدًا، أنتجت الشبكة العصبية باستمرار خرائط أكثر دقة لسرعة التدفق والضغط. وكانت مثيرة للإعجاب بشكل خاص في قدرتها على الحفاظ على سلامة هيكل التدفق. فحتى عندما كانت البيانات شحيحة للغاية، تمكنت الشبكة من الحفاظ على الأنماط الدوامية المتماسكة للاضطراب، بينما أنتجت الطرق الأخرى نتائج مجزأة أو مفرطة في النعومة تفتقر إلى الطابع الجوهري للتدفق.

كان أحد أهم النتائج هو كيفية تعامل الشبكة العصبية مع مجال الضغط. فالضغط يصعب قياسه مباشرة في تدفقات السويد، وغالبًا ما يكون الجزء الأصعب في إعادة البناء من البيانات المتفرقة. استطاعت الشبكة العصبية، من خلال تعلم العلاقة بين السرعة والضغط عبر قوانين الفيزياء، استنتاج مجال الضغط بدقة أعلى بكثير من الطرق الأخرى، حتى عندما كانت البيانات ضعيفة. وفي تجربة نفق الرياح في العالم الحقيقي، حيث لم تكن هناك خريطة مرجعية مثالية، تفوقت الشبكة العصبية مرة أخرى على غيرها؛ فقد تنبأت بتسارع الجسيمات التي لم ترها أثناء التدريب بأعلى دقة، مما يشير إلى أنها نجحت في تعلم الفيزياء الكامنة وراء التدفق بدلاً من مجرد حفظ نقاط البيانات.

كما كشفت الدراسة عن تفصيل مهم حول ما يجعل عملية إعادة البناء جيدة. كانت طريقة "FlowFit" مثالية رياضيًا في جانب واحد: فقد ضمنت أن التدفق المعاد بناؤه لديه تباعد صفري، مما يعني أن حجم السائل يتم حفظه تمامًا في كل نقطة. ومع ذلك، فإن الشبكة العصبية حققت هذا الشرط بشكل تقريبي فقط. ورغم هذا النقص الرياضي، أنتجت الشبكة العصبية مجال تدفق أكثر دقة من الناحية الفيزيائية وأقرب إلى الحقيقة. وهذا يشير إلى أنه في السيناريوهات المعقدة والواقعية، يكون الخطأ الرياضي الصغير في قيد واحد أقل ضررًا من الخطأ الكبير في الهيكل العام للتدفق. إن قدرة الشبكة العصبية على الموازنة بين البيانات والقوانين الفيزيائية سمحت لها بإيجاد حل أكثر قوة وموثوقية، حتى عندما كانت البيانات غير مكتملة.

من حيث التكلفة الحسابية، تطلبت الشبكة العصبية وقتًا أطول بكثير للتشغيل مقارنة بالطرق الأخرى، حيث استغرقت عدة ساعات على معالج رسومات قوي مقارنة بدقائق على معالج كمبيوتر قياسي. ومع ذلك، أشار الباحثون إلى أن هذا الوقت الإضافي كان مقايضة مقابل الجودة الفائقة للنتائج، خاصة في الحالات التي تكون فيها البيانات شحيحة. وتخلص الدراسة إلى أنه بينما لا تزال للطرق التقليدية مكانتها، فإن الشبكة العصبية المستوحاة من الفيزياء تقدم طريقة جديدة قوية لإعادة بناء تدفقات السويد من القياسات المتفرقة. فهي توفر تمثيلًا أكثر أمانة للطبيعة الدوامية المعقدة للاضطراب، وتلتقط الهياكل والخصائص الفيزيائية الجوهرية التي تفشل الطرق الأخرى في التقاطها عندما تكون البيانات محدودة. ويمكن أن يساعد هذا التقدم المهندسين والعلماء على فهم وتوقع سلوك السويد بشكل أفضل في تطبيقات تتراوح من الديناميكا الهوائية إلى نمذجة الطقس، حيث يكون الحصول على بيانات كثيفة ومثالية أمرًا مستحيلاً في كثير من الأحيان.