Assisted Turbulence Modeling via Data Assimilation and Machine Learning for Turbomachinery Flows

في عالم الطيران، يُعد المحرك هو القلب، لكن الضاغط هو الرئتان. هذا المكون، وهو عبارة عن مجموعة من الشفرات الدوارة داخل أنبوب معدني، يجب أن يمتص الهواء، ويضغطه بقوة، ويدفعه نحو غرفة الاحتراق بكفاءة مذهلة. فإذا لم يتدفق الهواء بسلاسة، يمكن للمحرك أن يتوقف عن العمل، أو يفقد قوته، أو حتى يتعطل تماماً. ولعقود من الزمن، اعتمد المهندسون على أداتين رئيسيتين لفهم هذا التدفق المعقد: التجارب الفيزيائية في الأنفاق الهوائية، والمحاكاة الحاسوبية. التجارب دقيقة ولكنها مكلفة وصعبة التنفيذ داخل آلة دوارة، أما المحاكاة الحاسوبية فهي رخيصة ومرنة، لكنها غالباً ما تجد صعوبة في التنبؤ بالاضطراب الفوضوي والدوامات الهوائية بدقة تامة. لقد كان التحدي دائماً هو كيفية الحصول على أفضل ما في العالمين: موثوقية البيانات الواقعية والرؤية الشاملة للنموذج الحاسوبي، دون إنفاق ثروة أو انتظار سنوات للحصول على النتائج.

قام فريق من الباحثين في "Arts et Métiers" في فرنسا بتطوير طريقة جديدة لسد هذه الفجوة، مع التركيز على ضاغط اختبار محدد يُعرف باسم "CME2". لقد أنشأوا نظاماً هجيناً يجمع أولاً بين قياسات تجريبية محدودة ومحاكاة حاسوبية لبناء صورة دقيقة للغاية لتدفق الهواء. بعد ذلك، علموا برنامج كمبيوتر كيف يتعلم من هذه الصورة المحسنة، مما أدى إلى إنشاء أداة يمكنها التنبؤ بالتدفق بدقة بمفردها في المستقبل. كان الهدف هو إصلاح الأخطاء في المحاكاة الحاسوبية القياسية بحيث تتطابق مع جودة التجارب المكلفة، ولكن دون الحاجة لوجود التجارب في كل مرة يتم فيها إجراء عملية حسابية جديدة.

بدأ الباحثون بآلة اختبار ضاغط أحادية المرحلة في مدينة ليل بفرنسا. تقوم هذه الآلة بتدوير عضو دوار يحتوي على ثلاثين شفرة، ومجموعة ثابتة من أربعين شفرة. ولمعرفة ما يحدث في الداخل، استخدموا تقنية تسمى "قياس سرعة الجسيمات بالصور" (Particle Image Velocimetry). تتضمن هذه الطريقة ملء الهواء بجزيئات دخان دقيقة وإطلاق ورقة ليزر عبر الآلة لإضاءتها. تلتقط كاميرا عالية السرعة حركة هذه الجسيمات، مما يسمح للفريق برسم خريطة لسرعة الهواء عند ثلاثة مقاطع عرضية محددة على طول ارتفاع الشفرات. ومع ذلك، فإن هذه القياسات توجد فقط عند تلك المقاطع الثلاثة الرقيقة؛ أما بقية الآلة فتظل منطقة عمياء.

ولملء هذه الفجوات، أجرى الفريق عمليات محاكاة حاسوبية باستخدام مستويين مختلفين من التفاصيل. كان أحد نماذج المحاكاة نموذجاً مستقراً ومبسطاً يعمل بسرعة ولكنه يفتقر إلى بعض التفاصيل المعقدة والمتغيرة للتدفق. أما النموذج الآخر، فكان محاكاة أكثر تفصيلاً وغير مستقرة، تلتقط الاضطرابات الدوامية ولكنها تتطلب قدرة حوسبة هائلة ولا تزال تعاني من بعض عدم الدقة. ثم استخدم الباحثون طريقة إحصائية تسمى "استيعاب البيانات" (data assimilation) لدمج هذه المصادر الثلاثة للمعلومات: قياسات الليزر المتفرقة، والمحاكاة السريعة، والمحاكاة التفصيلية. عملت هذه العملية كمرشح ذكي، حيث أخذت تنبؤات الكمبيوتر التقريبية وقامت بتعديلها لتتطابق مع بيانات الليزر الحقيقية حيثما وجدت، مع استخدام فيزياء النماذج الحاسوبية لملء بقية أجزاء الآلة. وكانت النتيجة خريطة كاملة وعالية الجودة لتدفق الهواء، كانت أكثر دقة من أي مصدر منفرد بمفرده.

ومع امتلاك هذه الخريطة المتفوقة والجديدة، واجه الباحثون تحدياً جديداً. كانت عملية استيعاب البيانات قوية، لكنها كانت تتطلب وجود قياسات الليزر أثناء الحساب. أرادوا أداة يمكنها إنتاج هذه النتيجة عالية الجودة دون الحاجة إلى بيانات الليزر في كل مرة. ولتحقيق ذلك، لجأوا إلى تعلم الآلة. قاموا بتدريب شبكة عصبية، وهي نوع من البرامج الحاسوبية المصممة للتعرف على الأنماط، باستخدام البيانات المستمدة من خريطتهم المحسنة. تعلم البرنامج كيفية النظر إلى الميزات المحلية للتدفق، مثل سرعة الهواء ومدى سرعة تغير هذه السرعة، ومن ثم التنبؤ بـ "حد التصحيح". كان حد التصحيح هذا بمثابة "دفعة" رياضية يمكن إضافتها إلى المعادلات الحاسوبية القياسية لإجبارها على التصرف بشكل يشبه إلى حد كبير التدفق الحقيقي عالي الجودة.

وعندما اختبروا أدوات تعلم الآلة هذه، كانت النتائج واعدة ولكنها كشفت عن قصور حرج. فعندما تم تدريب الأداة على بيانات من منتصف الشفرة، عملت بشكل جيد جداً في تلك المنطقة، مما قلل الخطأ بشكل كبير مقار بالمحاكاة القياسية. ومع ذلك، عندما طُبقت الأداة التي تدربت على منتصف الشفرة على طرف الشفرة، أو العكس، أصبحت التنبؤات غير موثوقة. وفي المنطقة الأكثر تعقيداً، بالقرب من أطراف الشفرات حيث يدور الهواء بعنف، جعل نموذج تعلم آلي واحد مدرب على جزء واحد من الآلة المحاكاة الحاسوبية أسوأ مما كانت عليه في السابق. ببساطة، لم يستطع النموذج تعميم معرفته إلى بيئة فيزيائية مختلفة تماماً.

ولحل هذه المشكلة، طور الباحثون استراتيجية تُعرف باسم "خليط من الخبراء" (mixture of experts). فبدلاً من الاعتماد على برنامج حاسوبي واحد يعرف كل شيء، أنشأوا نظاماً يعمل مثل مراقب حركة المرور. ينظر هذا المراقب إلى الموقع داخل الآلة ويقرر أي من أدوات تعلم الآلة الثلاث المتخصصة هي الأنسب لذلك الموقع المحدد. إذا كان الهواء بالقرب من المركز (القلب)، فإنه يستخدم الأداة المدربة على بيانات المركز؛ وإذا كان بالقرب من الطرف، فإنه ينتقل إلى الأداة المدربة على بيانات الطرف. ومن خلال دمج هؤلاء "الخبراء" المتخصصين، استطاع النظام الحفاظ على دقة عالية عبر الآلة بأكملها. وكانت النتيجة النهائية نموذجاً قلل الخطأ في المحاكاة الحاسوبية إلى مستوى قريب جداً من خريطة استيعاب البيانات عالية الجودة، ولكن دون الحاجة إلى أي بيانات تجريبية أثناء الحساب.

توضح هذه الدراسة أنه بينما يمكن لتعلم الآلة أن يحسن المحاكاة الحاسوبية للآلات المعقدة بشكل كبير، فإن نموذجاً واحداً غالباً ما يكون غير كافٍ للتعامل مع كل حالة. ومن خلال الجمع بين نقاط قوة استيعاب البيانات ونظام ذكي ينتقل بين أدوات التعلم المتخصصة، نجح الباحثون في إنشاء طريقة قوية تحافظ على الدقة حتى في أصعب مناطق التدفق. ويقدم هذا النهج مساراً مستقبلياً لتصميم محركات طائرات أكثر كفاءة وأماناً، مما يسمح للمهندسين بالاعتماد على نماذج حاسوبية تكون موثوقة بقدر التجارب الفيزيائية، ولكنها أسرع بكثير وأقل تكلفة في الاستخدام.