🤖 AI

Accelerated and data-efficient flow prediction in stirred tanks via physics-informed learning

यह अध्ययन प्रदर्शित करता है कि भौतिकी-सूचित निहित तंत्रिका निरूपण (physics-informed implicit neural representations), बड़े डेटासेट पर निर्भरता को कम करने के लिए बढ़ी हुई प्रशिक्षण जटिलता का व्यापार करके, विशेष रूप से कम-डेटा शासन (low-data regimes) में, औद्योगिक स्टिरर्ड टैंकों में प्रवाह क्षेत्र भविष्यवाणियों की सटीकता और स्थिरता में महत्वपूर्ण रूप से सुधार कर सकते हैं।

मूल लेखक: Mahdi Naderibeni, Liang Wu, David M. J. Tax

प्रकाशित 2026-05-11

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mahdi Naderibeni, Liang Wu, David M. J. Tax

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक विशाल, औद्योगिक आकार का ब्लेंडर एक गाढ़े तरल पदार्थ को कैसे मिलाता है। इसे सटीक रूप से करने के लिए, वैज्ञानिक आमतौर पर जटिल भौतिकी समीकरणों को हल करने वाले विशाल कंप्यूटर सिमुलेशन चलाते हैं। इन सिमुलेशन को एक हाई-एंड वीडियो गेम इंजन को स्लो मोशन में चलाने की तरह समझें: ये अविश्वसनीय रूप से सटीक हैं, लेकिन इन्हें पूरा होने में बहुत समय और बहुत अधिक कंप्यूटर शक्ति लगती है।

यह शोध पत्र एक शॉर्टकट खोजने के बारे में है। शोधकर्ता एक "स्मार्ट असिस्टेंट" (एक मशीन लर्निंग मॉडल) को प्रशिक्षित करना चाहते थे जो तरल के प्रवाह की तुरंत भविष्यवाणी कर सके, बिना हर बार भारी सिमुलेशन चलाए। हालाँकि, इसमें एक पेंच है: आमतौर पर, इन स्मार्ट असिस्टेंट्स को सीखने के लिए हजारों घंटों के सिमुलेशन को देखना पड़ता है। शोधकर्ता जानना चाहते थे कि: इस असिस्टेंट को वास्तव में कितना प्रशिक्षण डेटा (training data) चाहिए ताकि वह कुशल बन सके?

यहाँ उनके प्रयोग और निष्कर्षों का विवरण दिया गया, जिसे सरल उपमाओं का उपयोग करके समझाया गया है:

1. सेटअप: विशाल ब्लेंडर

शोधकर्ताओं ने एक विशाल औद्योगिक टैंक (लगभग एक छोटे घर के आकार का) का अध्ययन किया जिसमें चार घूमते हुए पैडल (इम्पेलर) और मिश्रण में मदद करने के लिए बैफल्स (दीवारें) थीं। उन्होंने इस टैंक का विभिन्न स्थितियों के तहत सिमुलेशन किया:

पैडल कितनी तेजी से घूमते हैं (धीमे से तेज़ तक)।
टैंक कितना भरा हुआ है (एक उथले पोखर से लेकर लगभग पूरा भरा हुआ होने तक)।

उन्होंने इस लाइब्रेरी का उपयोग प्रशिक्षण डेटा के रूप में करने के लिए 72 अलग-अलग सिमुलेशन परिदृश्यों को तैयार किया।

2. दो प्रकार के छात्र

उन्होंने इस लाइब्रेरी से सीखने के लिए दो प्रकार के "छात्रों" (AI मॉडल) को प्रशिक्षित किया:

शुद्ध डेटा छात्र (MLP): यह छात्र केवल सिमुलेशन से तरल प्रवाह की तस्वीरों को देखता है और पैटर्न को याद करने की कोशिश करता है। यह एक ऐसे छात्र की तरह है जो बुनियादी गणित को समझे बिना केवल पिछले वर्षों के प्रश्न पत्रों का अध्ययन करता है।
भौतिकी छात्र (PINN): यह छात्र भी तस्वीरों को देखता है, लेकिन उन्हें भौतिकी के "नियमों" (द्रव्यमान और संवेग के संरक्षण जैसे ब्रह्मांड के नियमों) का पालन करने के लिए भी मजबूर किया जाता है। यह एक ऐसे छात्र की तरह है जो प्रश्न पत्रों का अध्ययन भी करता है और साथ ही इस बात पर भी सख्ती से ग्रेड किया जाता है कि क्या उनके उत्तर भौतिकी के नियमों के अनुसार सही हैं।

3. प्रयोग: कितना डेटा पर्याप्त है?

उन्होंने छात्रों को अलग-अलग मात्रा में प्रशिक्षण डेटा देकर परीक्षण किया, जो केवल 7 उदाहरणों से लेकर 54 उदाहरणों तक था।

निष्कर्ष:

अधिक डेटा = बेहतर परिणाम (लेकिन एक सीमा के साथ): जैसे-जैसे उन्होंने छात्रों को अध्ययन के लिए अधिक उदाहरण दिए, उनकी भविष्यवाणियाँ बेहतर होती गईं। हालाँकि, वे एक बिंदु पर पहुँचे जहाँ "घटते प्रतिफल" (diminishing returns) की स्थिति आई। मध्यम मात्रा में डेटा (लगभग 36 उदाहरण) के बाद, अधिक डेटा देने से कोई खास मदद नहीं मिली। यह पढ़ाई के लिए: पढ़ने के 10 अभ्यास प्रश्नों से बहुत मदद मिलती है, लेकिन 100 पढ़ने से आप 50 पढ़ने वाले से बहुत अधिक बुद्धिमान नहीं हो जाते।
संकट के समय भौतिकी छात्र जीतता है: जब छात्रों के पास बहुत कम उदाहरण (7 या 18) थे, तो भौतिकी छात्र बहुत बेहतर था। क्योंकि वे भौतिकी के नियमों को जानते थे, वे बहुत कम डेटा के साथ भी सही उत्तर का अनुमान लगा सकते थे। शुद्ध डेटा छात्र भ्रमित हो गया और गलत अनुमान लगाने लगा।
अधिक डेटा के साथ अंतर कम हो जाता है: जैसे-जैसे प्रशिक्षण डेटा की मात्रा बढ़ी, शुद्ध डेटा छात्र ने बराबरी कर ली। अंततः, पर्याप्त डेटा होने पर, दोनों छात्र लगभग एक जैसा प्रदर्शन करने लगे। भौतिकी नियमों का "चीट शीट" अब उतना आवश्यक नहीं रह गया क्योंकि छात्र ने इतने सारे उदाहरण देख लिए थे।

4. "ट्रेसर" टेस्ट: क्या यह वास्तव में मिश्रण करता है?

यह देखने के लिए कि भविष्यवाणियाँ वास्तव में उपयोगी हैं या नहीं, उन्होंने केवल तस्वीरों को नहीं देखा; उन्होंने एक "ट्रेसर टेस्ट" चलाया। कल्पना कीजिए कि आप ब्लेंडर में खाद्य रंग की एक बूंद डालते हैं और उसे फैलते हुए देखते हैं।

परिणाम: भौतिकी छात्र ने बहुत अधिक स्थिर और विश्वसनीय मिश्रण पैटर्न प्रदान किए, विशेष रूप से तब जब उनके पास बहुत कम डेटा था। शुद्ध डेटा छात्र कभी-कभी भविष्यवाणी करता था कि खाद्य रंग अजीब तरह से या असंगत रूप से व्यवहार करेगा।
चेतावनी: भले ही भौतिकी छात्र बहुत सटीक था, उनके भविष्यवाणियों को मानक सिमुलेशन सॉफ़्टवेयर के भीतर उपयोग करना कठिन था। यह एक कस्टम-मेड पहेली के टुकड़े को मशीन में फिट करने की तरह था; यदि टुकड़ा आकार में थोड़ा भी अलग होता (भले ही वह दिखने में सही हो), तो मशीन जाम हो सकती थी या अजीब त्रुटियां पैदा कर सकती थी।

5. मुख्य निष्कर्ष (Bottom Line)

आपको एक विशाल लाइब्रेरी की आवश्यकता नहीं है: आप इस प्रकार के मिक्सिंग टैंक के लिए आश्चर्यजनक रूप से कम प्रशिक्षण उदाहरणों (शायद 20 से भी कम) के साथ बहुत अच्छी भविष्यवाणियाँ प्राप्त कर सकते हैं।
डेटा की कमी होने पर भौतिकी के नियम मदद करते हैं: यदि आप डेटा उत्पन्न करने के लिए हजारों सिमुलेशन चलाने का खर्च नहीं उठा सकते हैं, तो AI को भौतिकी के नियमों का पालन करने के लिए मजबूर करना एक गेम-चेंजर है। यह AI को कम जानकारी के साथ भी स्मार्ट बनाता है।
यह कोई जादुई छड़ी नहीं है: हालांकि ये AI मॉडल तेज़ और सटीक हैं, उन्हें मानक इंजीनियरिंग सॉफ़्टवेयर में वापस प्लग करने के लिए तकनीकी गड़बड़ियों से बचने के लिए सावधानीपूर्वक हैंडलिंग की आवश्यकता होती है।

संक्षेप में, यह शोध पत्र दिखाता है कि AI को "खेल के नियम" (भौतिकी) सिखाकर, हम इसे एक बहुत ही कुशल विशेषज्ञ बना सकते हैं जो जल्दी सीखता है, जिससे औद्योगिक मिश्रण प्रक्रियाओं के लिए समय और कंप्यूटिंग शक्ति की बचत होती है।

तकनीकी सारांश: स्टिरर्ड टैंकों में त्वरित और डेटा-कुशल प्रवाह भविष्यवाणी के लिए भौतिकी-सूचित शिक्षण (Physics-Informed Learning)

समस्या विवरण

औद्योगिक स्टिरर्ड वेसल्स (stirred vessels) में तरल प्रवाह का अनुकरण (simulating) करना गणनात्मक रूप से बहुत महंगा है क्योंकि यह जटिल आंशिक अंतर समीकरणों (PDEs) पर आधारित होता है। हालांकि उच्च-सटीकता वाली विधियां जैसे लेज एडी सिमुलेशन (LES) और डायरेक्ट न्यूमेरिकल सिमुलेशन (DNS) मौजूद हैं, फिर भी नियमित रेनॉल्ड्स-एवरेज्ड नेवियर-स्टोक्स (RANS) सिमुलेशन भी उन अनुप्रयोगों के लिए निषेधात्मक हो सकते हैं जिनमें तीव्र पुनरावृत्ति की आवश्यकता होती है, जैसे कि किण्वन (fermentation) और क्रिस्टलीकरण प्रक्रिया अनुकूलन। इसके अलावा, परिचालन स्थितियों (जैसे इम्पेलर की गति, तरल की ऊंचाई) में मामूली बदलाव के लिए नए सिमुलेशन की आवश्यकता होती है। हालांकि मशीन लर्निंग (ML) त्वरित भविष्यवाणियों के लिए एक संभावित सरोगेट (surrogate) प्रदान करती है, मानक डेटा-संचालित मॉडल आमतौर पर बड़े प्रशिक्षण डेटासेट की मांग करते हैं, जिससे सिमुलेशन डेटा उत्पन्न करने की लागत और भविष्य कहने की सटीकता के बीच एक समझौता (trade-off) पैदा होता है। यह कार्य एक औद्योगिक-स्तरीय स्टिरर्ड वेसल में स्थिर प्रवाह क्षेत्रों (steady flow fields) के लिए प्रशिक्षण-सेट के आकार और भविष्यवाणी सटीकता के बीच संबंध की जांच करता है, विशेष रूप से कम-डेटा शासन (low-data regimes) में फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINNs) की प्रभावकारिता का मूल्यांकन करता है।

कार्यप्रणाली (Methodology)

डेटा जनरेशन

यह अध्ययन 22 $m^3$ मल्टी-इम्पेलर रशटन टर्बाइन टैंक के लिए $k-\omega$ टर्बुलेंस मॉडल (SST फॉर्मूलेशन) का उपयोग करके उत्पन्न स्थिर सिंगल-फेज RANS सिमुलेशन के डेटासेट का उपयोग करता है। डेटासेट निम्नलिखित द्वारा परिभाषित वास्तविक परिचालन स्थितियों की एक श्रृंखला को कवर करता है:

तरल ऊंचाई (Liquid height): 1.5 मीटर और 6.5 मीटर के बीच समान रूप से सैंपलिंग की गई।
स्टिरिंग दर (Stirring rate): 50 से 150 rpm के बीच सैंपलिंग की गई।
मूल CFD ग्रिड के गैर-समान मेश घनत्व को संरक्षित करने के लिए प्रति स्थिति 100,000 बिंदुओं पर नमूने लेते हुए, मिक्सर रोटेशन को कैप्चर करने के लिए मल्टीपल रेफरेंस फ्रेम (MRF) दृष्टिकोण का उपयोग करके Ansys Fluent 2024R1 में ये सिमुलेशन किए गए थे। परिणामी डेटा में स्थानिक निर्देशांक (spatial coordinates), वेग घटक (velocity components), दबाव, चरण आयतन अंश (phase volume fractions), और टर्बुलेंस क्लोजर पैरामीटर शामिल हैं।

मॉडल आर्किटेक्चर

लेखक स्थानिक निर्देशांकों और परिचालन मापदंडों (स्टिरिंग दर, तरल ऊंचाई) से निरंतर मैपिंग सीखने के लिए इम्प्लिसिट न्यूरल रिप्रेजेंटेशन (INRs) का उपयोग करते हैं।

नेटवर्क संरचना: 100 नोड्स वाले 10 हिडन लेयर्स वाला एक पूर्णतः जुड़ा हुआ मल्टीलेयर परसेप्ट्रॉन (MLP)।
इनपुट प्रोसेसिंग: मानक INRs के स्पेक्ट्रल बायस (लो-फ्रीक्वेंसी घटकों को पहले सीखने की प्रवृत्ति) को संबोधित करने के लिए, MLP में प्रवेश करने से पहले इनपुट निर्देशांकों पर फूरियर फीचर मैपिंग (Fourier Feature Mappings) लागू की जाती है।
एक्टिवेशन: भौतिक क्षेत्रों के लिए उपयुक्त सुचारू और सीमित नॉन-लिनियैरिटी सुनिश्चित करने के लिए Tanh एक्टिवेशन फंक्शन का उपयोग किया जाता है।

प्रशिक्षण रणनीतियाँ और लॉस फंक्शन्स

तीन मॉडल वेरिएंट की तुलना की गई:

MLP: पूरी तरह से डेटा-संचालित मॉडल जिसे केवल लेबल किए गए CFD डेटा का उपयोग करके मीन स्क्वेर्ड एरर (MSE) लॉस ( $L_{data}$ ) के साथ प्रशिक्षित किया गया है।
C-MLP: लॉस फंक्शन में निरंतरता समीकरण (continuity equation) अवशेष ( $R_{cont}$ ) के साथ संवर्धित।
CM-MLP: निरंतरता और मोमेंटम समीकरण अवशेषों ( $R_{cont}$ और $R_{u}$ ) दोनों के साथ संवर्धित।

नोट: टर्बुलेंट काइनेटिक एनर्जी ( $k$ ) और विशिष्ट विसर्जन दर ( $\omega$ ) के लिए ट्रांसपोर्ट अवशेषों को जानबूझकर फिजिक्स-इन्फॉर्म्ड लॉस से बाहर रखा गया था। प्रारंभिक प्रयोगों ने दिखाया कि SST $k-\omega$ के सोर्स टर्म्स और वॉल-डिस्टेंस-डिपेंडेंट ब्लेंडिंग फंक्शन्स की उच्च नॉन-लिनियैरिटी और कठोरता (stiffness) के कारण इन्हें शामिल करने से प्रशिक्षण स्थिरता कम हो जाती है।

कुल लॉस, डेटा लॉस और PDE अवशेषों ( $L_{res}$ ) का एक भारित योग (weighted sum) है, जिसमें PDE टर्म को $10^{-3}$ द्वारा स्केल किया गया है और संतुलित अनुकूलन सुनिश्चित करने के लिए इसके अलग किए गए परिमाण (detached magnitude) द्वारा सामान्यीकृत किया गया है।

मूल्यांकन

प्रदर्शन का आकलन निम्न द्वारा किया गया:

ग्लोबल सटीकता (Global Accuracy): सभी अनुमानित चरों के लिए टेस्ट MSE।
गुणात्मक स्थानिक विश्लेषण (Qualitative Spatial Analysis): संदर्भ डेटा के विरुद्ध अनुमानित क्षेत्रों का दृश्य तुलना।
ट्रेसर ट्रांसपोर्ट सिमुलेशन: भौतिक निरंतरता और मिश्रण गतिकी का मूल्यांकन करने के लिए "फ्रोजन" अनुमानित प्रवाह क्षेत्रों पर पैसिव ट्रेसर डिस्पर्सन सिमुलेशन।

मुख्य परिणाम

डेटा-सटीकता ट्रेड-ऑफ

मोनोटोनिक सुधार: सभी मॉडल वर्गों के लिए प्रशिक्षण सेट का आकार बढ़ने के साथ भविष्यवाणी त्रुटि (MSE) निरंतर घटती है।
घटता प्रतिफल (Diminishing Returns): मध्यम डेटासेट आकार (लगभग 36-54 नमूने) के बाद, सटीकता में सुधार की दर काफी धीमी हो जाती है। विभिन्न मॉडल वेरिएंट का प्रदर्शन अभिसरण (converge) करने लगता है, जो यह सुझाव देता है कि अच्छी तरह से चुने गए ऑपरेटिंग पॉइंट्स का एक अपेक्षाकृत छोटा सेट प्रवाह की प्रमुख सीखने योग्य संरचना को कैप्चर कर लेता है।

भौतिक बाधाओं (Physics Constraints) का प्रभाव

कम-डेटा शासन (Low-Data Regime): सीमित डेटा (जैसे, 7 या 18 नमूने) वाले परिदृश्यों में, भौतिकी-प्रतिबंधित मॉडल (C-MLP और CM-MLP) शुद्ध डेटा-संचालित MLP की तुलना में काफी बेहतर प्रदर्शन करते हैं। वे कम वैश्विक MSE, कम इंटर-रन परिवर्तनशीलता (रैंडम सीड्स के बीच मजबूती) और अधिक सटीक स्थानिक भविष्यवाणियां प्राप्त करते हैं, विशेष रूप से मजबूत वेग प्रवणता (velocity gradients) वाले क्षेत्रों में।
उच्च-डेटा शासन (High-Data Regime): जैसे-जैसे प्रशिक्षण सेट बढ़ता है, बाधाओं का सापेक्ष लाभ कम होता जाता है। पर्याप्त डेटा के साथ, अनकन्स्ट्रेंड (unconstrained) MLP प्रतिबंधित वेरिएंट के प्रदर्शन के करीब पहुंच जाता है।
PDE अवशेष: जबकि अनकन्स्ट्रेंड MLPs डेटा बढ़ने के साथ भविष्यवाणी त्रुटि को कम करते हैं, उनके PDE अवशेष (ऑटोमैटिक डिफरेंशिएशन के माध्यम से गणना किए गए) अपेक्षाकृत बड़े रहते हैं। प्रतिबंधित मॉडल निर्माण के आधार पर कम अवशेष बनाए रखते हैं, जो डाउनस्ट्रीम कार्यों के लिए महत्वपूर्ण है जिन्हें फील्ड ग्रेडिएंट्स की आवश्यकता होती है।

ट्रेसर ट्रांसपोर्ट और स्थिरता

मिश्रण गतिकी (Mixing Dynamics): ट्रेसर सिमुलेशन ने खुलासा किया कि छोटे डेटासेट पर प्रशिक्षित अनकन्स्ट्रेंड मॉडल, CFD संदर्भ की तुलना में उच्च इंटर-रन परिवर्तनशीलता और एंड-स्टेट बायस प्रदर्शित करते हैं। निरंतरता बाधा (C-MLP) ने इस बायस और परिवर्तनशीलता को कम कर दिया।
संख्यात्मक युग्मन (Numerical Coupling): पारंपरिक CFD सॉल्वर में अनुमानित स्थिर क्षेत्रों को क्षणिक (transient) ट्रेसर ट्रांसपोर्ट के लिए एकीकृत करना संख्यात्मक रूप से नाजुक साबित हुआ। भले ही ग्लोबल एरर कम हो, स्थानीय विसंगतियां या डिस्क्रीटाइजेशन मिसमैच स्प्यूरियस डायवर्जेंस या गैर-भौतिक चरम मान (non-physical extrema) पेश कर सकते हैं, जिसके लिए सावधानीपूर्वक इंटरपोलेशन और निरंतरता जांच की आवश्यकता होती है।

महत्व और योगदान

यह शोध वैज्ञानिक मशीन लर्निंग (scientific machine learning) के क्षेत्र में तीन प्राथमिक योगदान देता है:

डेटासेट जनरेशन: लेखकों ने स्टिरिंग रेट और लिक्विड हाइट के स्वीप के माध्यम से RANS ( $k-\omega$ ) सिमुलेशन का उपयोग करके एक औद्योगिक स्टिरर्ड वेसल में स्थिर प्रवाह क्षेत्रों का एक नियंत्रित डेटासेट तैयार किया और प्रकाशित किया।
डेटा दक्षता का अनुभवजन्य अध्ययन: यह कार्य डेटा-सटीकता ट्रेड-ऑफ का एक व्यवस्थित मूल्यांकन प्रदान करता है, जो मध्यम डेटासेट आकारों के बाद सटीकता में स्पष्ट घटते प्रतिफल को प्रदर्शित करता है और कम-डेटा शासन में भौतिक बाधाओं के विशिष्ट लाभों को मात्रात्मक रूप से निर्धारित करता है।
भौतिक बाधाओं का परिमाणीकरण: अध्ययन प्रदर्शित करता है कि जब डेटा दुर्लभ होता है, तो PDE-प्रतिबंधित मॉडल सटीकता और स्थिरता में काफी सुधार करते हैं। हालांकि, यह व्यावहारिक चुनौतियों को भी उजागर करता है, जिसमें प्रशिक्षण जटिलता में वृद्धि और सीखे गए क्षेत्रों को पारंपरिक CFD सॉल्वरों में वापस जोड़ने की संख्यात्मक नाजुकता शामिल है।

लेखक निष्कर्ष निकालते हैं कि हालांकि भौतिकी-सूचित शिक्षण डेटा-कुशल प्रवाह भविष्यवाणी के लिए एक मजबूत मार्ग प्रदान करता है, इसके लाभ तब सबसे अधिक स्पष्ट होते हैं जब प्रशिक्षण डेटा सीमित होता है। जैसे-जैसे डेटा उपलब्धता बढ़ती है, स्पष्ट भौतिक बाधाओं से मिलने वाला मार्जिनल लाभ कम होता जाता है, हालांकि वे व्युत्पन्न मात्राओं के लिए भौतिक निरंतरता सुनिश्चित करने के लिए मूल्यवान बने रहते हैं।