Continuous Data Assimilation for the 2D Navier-Stokes Equations from Partial Tangential Boundary Observations

कल्पना कीजिए कि आप मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन आप केवल मानचित्र के बिल्कुल किनारे पर बहती हवा को ही देख सकते हैं, जबकि बीच में घूमती हवा एक पूर्ण रहस्य बनी हुई है। यह तरल पदार्थों (जैसे समुद्र में पानी या वायुमंडल में हवा) का अध्ययन करने वाले वैज्ञानिकों के लिए दैनिक वास्तविकता है। वे तरल पदार्थ के संचलन का वर्णन करने के लिए नेवियर-स्टोक्स समीकरणों (Navier-Stokes equations) नामक जटिल गणितीय मॉडलों पर निर्भर करते हैं। हालाँकि, इन मॉडलों को पूरी तरह से हल करना अत्यंत कठिन है, और वास्तविक दुनिया में, हमारे पास हर जगह सेंसर नहीं होते हैं। हमारे पास आमतौर पर केवल कुछ स्थानों से डेटा होता है, जो अक्सर सीमाओं (जैसे समुद्र की सतह या पाइप की दीवारें) पर स्थित होते हैं। बड़ा सवाल इस क्षेत्र में यह है: क्या हम इन विरल, केवल किनारों से प्राप्त मापों का उपयोग अपने कंप्यूटर मॉडल को वापस सही रास्ते पर लाने के लिए कर सकते हैं, जिससे वे अपनी गलत धारणाओं को भूलकर वास्तविक तरल के व्यवहार के साथ पूरी तरह से तालमेल बिठा सकें? यह "डेटा एसिमिलेशन" (data assimilation) की कला है, एक ऐसी प्रक्रिया जहाँ एक मॉडल और वास्तविकता को लगातार एक-दूसरे के साथ जोड़ा जाता है ताकि त्रुटियों को सुधारा जा सके।

आप जो शोध पत्र पढ़ने जा रहे हैं, वह एक विशिष्ट प्रकार के तरल प्रवाह के लिए इस चुनौती से निपटता है: पानी या हवा जो एक सपाट, द्वि-आयामी (two-dimensional) स्थान में चल रही है जहाँ तरल दीवारों के साथ पूरी तरह से चिपकने के बजाय फिसलने की अनुमति देता है (एक स्थिति जिसे "नेवियर-स्लिप" (Navier-slip) कहा जाता है)। लेखक, जियानमार्को डेल सार्तो और बुद्धिका प्रियसाद, एक साहसी प्रश्न पूछते हैं: यदि हम केवल सीमा के एक छोटे से खुले हिस्से के साथ तरल की गति को देखते हैं, तो क्या हम एक फीडबैक सिस्टम डिजाइन कर सकते हैं जो एक कंप्यूटर सिमुलेशन को वास्तविक तरल के साथ तालमेल बिठाने के लिए मजबूर कर दे, भले ही हम एक पूरी तरह से गलत अनुमान के साथ शुरुआत करें? वे सिद्ध करते हैं कि उत्तर "हाँ" है, बशर्ते कि हम "सुधार के नॉब" (फीडबैक स्ट्रेंथ) को पर्याप्त रूप से ऊँचा रखें और हमारे सीमा सेंसर पर्याप्त सटीक हों। वे दिखाते हैं कि यह विधि एक गणितीय "गैप" (gap) बनाकर काम करती है जो त्रुटियों को निगल लेता है, उन्हें प्रभावी ढंग से कम करता है जब तक कि सिमुलेशन और वास्तविकता एक समान न हो जाएं। उनके निष्कर्ष तब भी सत्य रहते हैं जब तरल अपने आप चल रहा हो, उसे किसी कोमल बल द्वारा धकेला जा रहा हो, या वह उस तरह से घूम रहा हो जो आमतौर पर मानक मॉडलों को भ्रमित कर देता है।

फिसलते तरल और सीमा के निरीक्षकों की कहानी

आइए तरल पदार्थों की दुनिया में उतरें। एक तरल की कल्पना करें, जैसे पानी, जो एक चिकने, बंद कंटेनर के भीतर फंसा हुआ है। कई वास्तविक परिदृश्यों में, जैसे समुद्री धाराएं या पंख के ऊपर बहती हवा, तरल दीवारों से गोंद की तरह नहीं चिपकता (जिसे "नो-स्लिप" कहा जाता है)। इसके बजाय, यह थोड़ा फिसलता है, जैसे बर्फ पर स्केटर। इसे नेवियर-स्लिप (Navier-slip) कहा जाता है। तरल दीवार के आर-पार नहीं जा सकता, लेकिन वह उसके साथ फिसल सकता है। यह गति जिस दर से फिसलता है, वह इस बात पर निर्भर करती है कि दीवार कितनी "घर्षणयुक्त" (frictiony) है। यदि दीवार बहुत अधिक चिकनी है, तो तरल स्वतंत्र रूप से फिसलता है; यदि वह खुरदरी है, तो दीवार तरल को खींचती है, जिससे उसकी गति धीमी हो जाती है।

अब, कल्पना कीजिए कि आप एक वैज्ञानिक हैं जो यह भविष्यवाणी करने की कोशिश कर रहे हैं कि यह तरल समय के साथ कैसे घूमेगा और नाचेगा। आपके पास एक सुपरकंप्यूटर है जो तरल का सिमुलेशन चला रहा है। लेकिन यहाँ एक पेच है: आप कंटेनर के अंदर नहीं देख सकते। आप पानी के बीच में सेंसर नहीं रख सकते क्योंकि वह बहुत गहरा, बहुत खतरनाक, या बस बहुत महंगा है। आप केवल दीवार के एक विशिष्ट छोटे हिस्से के साथ तरल की गति को माप सकते हैं। आइए इसे अपना "वॉचटावर" (watchtower) कहें।

समस्या यह है कि आपका कंप्यूटर सिमुलेशन एक गलत अनुमान के साथ शुरू हो सकता है। शायद आपने अनुमान लगाया कि पानी वास्तव में चल रही गति से तेज़ चल रहा है, या गलत दिशा में घूम रहा है। बिना मदद के, आपका सिमुलेशन वास्तविकता से और दूर होता जाएगा। आपको इसे ठीक करने के लिए एक तरीके की आवश्यकता है। यहीं पर डेटा एसिमिलेशन (data assimilation) काम आता है। इसे एक निरंतर, कोमल सुधार के रूप में सोचें। आप अपने सिमुलेशन में जो होता है और जो आपने वास्तव में मापा है, उसके बीच तुलना करते हैं। यदि उनके बीच कोई अंतर है, तो आप सिमुलेशन को "नज" (nudge/धक्का) देते हैं ताकि वह वास्तविक डेटा से मेल खा सके।

बड़ा सवाल जिसका यह शोध पत्र उत्तर देता है, वह है: क्या केवल दीवार से मिलने वाला एक "नज" पूरे समुद्र को ठीक करने के लिए पर्याप्त है?

पिछले अधिकांश अध्ययनों ने माना था कि आप कंटेनर के अंदर तरल को माप सकते हैं (जैसे कमरे में विभिन्न बिंदुओं पर तापमान की जाँच करना)। यह शोध पत्र अलग है। यह कहता है, "क्या होगा यदि हम केवल दीवार को माप सकें?" और न केवल दीवार का माप, बल्कि विशेष रूप से दीवार के साथ फिसलने वाली तरल की गति (tangential velocity) को।

फीडबैक लूप का जादू

लेखक एक चतुर रणनीति का प्रस्ताव करते हैं। वे कंप्यूटर मॉडल में एक "नजिंग" (nudging) शब्द बनाते हैं। यह शब्द एक चुंबकीय बल की तरह कार्य करता है। यदि दीवार पर सिमुलेशन का तरल वास्तविक सेंसर की तुलना में बहुत तेज़ चल रहा है, तो 'नज' इसे वापस खींचता है। यदि यह बहुत धीमा है, तो 'नज' इसे आगे धकेलता है। इस 'नज' की शक्ति को $\mu$ (म्यू) नामक संख्या द्वारा नियंत्रित किया जाता है। आपके सेंसर जितने स्पष्ट और विस्तृत होंगे (जिसे संख्या $\delta$ द्वारा दर्शाया जाता है, जहाँ एक छोटी संख्या सूक्ष्म विवरण को दर्शाती है), 'नज' उतना ही बेहतर काम करेगा।

लेखक सिद्ध करते हैं कि यदि आप 'नज' को पर्याप्त मजबूत ($\mu$ बड़ा है) और अपने सेंसर को पर्याप्त विस्तृत ($\delta$ छोटा है) बनाते हैं, तो आपके सिमुलेशन और वास्तविकता के बीच का अंतर तेजी से (exponentially) घट जाएगा। यह एक रबर बैंड की तरह है जो और भी कसता जाता है, और सिमुलेशन को वास्तविक पथ पर वापस खींच लाता है।

लेकिन इसमें एक मोड़ है। तरल में स्वाभाविक रूप से विरोध करने की प्रवृत्ति होती है, विशेष रूप से यदि वह एक विशिष्ट तरीके से घूम रहा हो (जैसे कि एक रिजिड रोटेशन/rigid rotation)। लेखक दिखाते हैं कि "नज" एक स्पेक्ट्रल गैप (spectral gap) बनाता है। कल्पना कीजिए कि एक घाटी है जहाँ तल एकदम सही, सही अवस्था है। स्पेक्ट्रल गैप उस घाटी की दीवारों की ढलान है। यदि दीवारें पर्याप्त खड़ी हैं (जो तब होता है जब आपका 'नज' पर्याप्त मजबूत हो और आपके सेंसर पर्याप्त सटीक हों), तो सिमुलेशन नीचे की ओर फिसलेगा और वहीं रहेगा, चाहे इसकी शुरुआत कहीं से भी हुई हो।

विभिन्न परिदृश्य: यह कब काम करता है?

लेखकों ने केवल यह सिद्ध नहीं किया कि यह काम करता है, बल्कि उन्होंने इसे चार अलग-अलग "दुनियाओं" में परखा ताकि यह देखा जा सके कि उनकी विधि कितनी मजबूत है।

1. शांत दुनिया (कोई बाहरी बल नहीं): यदि तरल बिना किसी हवा या करंट के अपने आप इधर-उधर घूम रहा है, तो यह विधि पूरी तरह से काम करती है। तरल का प्राकृतिक घर्षण 'नज' को अपना काम करने में मदद करता है।
2. विस्कस दुनिया (उच्च श्यानता/Viscosity): श्यानता (viscosity) तरल की "मोटाई" की तरह है। शहद की श्यानता उच्च होती है; पानी की कम। लेखक दिखाते हैं कि यदि तरल पर्याप्त गाढ़ा है (उच्च श्यानता), तो 'नज' आसानी से काम करता है, जब तक कि तरल उस तरह से न घूम रहा हो जो कोई आंतरिक घर्षण पैदा नहीं करता (एक रिजिड रोटेशन)।
3. घर्षणयुक्त दीवार वाली दुनिया (सकारात्मक सीमा घर्षण): क्या होगा यदि दीवार पूरी तरह से फिसलन भरी नहीं है? यदि दीवार में कुछ पकड़ (घर्षण) है, तो यह तरल को उन पेचीदा, घर्षणहीन तरीकों से घूमने से रोकने में मदद करता है। इस मामले में, भले ही तरल पतला (कम श्यानता वाला) हो, दीवार का घर्षण 'नज' के साथ मिलकर यह सुनिश्चित करता है कि सिमुलेशन वास्तविकता के साथ तालमेल बिठा ले। यह वृत्तों या छल्लों जैसे आकारों के लिए बहुत अच्छी खबर है, जहाँ तरल बिना घर्षण के घूमना पसंद करता है।
4. परफेक्ट स्लिप वर्ल्ड (कठिन मामला): यह सबसे कठिन परिदृश्य है। एक पूरी तरह से फिसलन भरी दीवार (कोई घर्षण नहीं) और एक तरल की कल्पना करें जो बिना किसी आंतरिक प्रतिरोध के एक कठोर घेरे में घूम सकता है। आमतौर पर, यह मॉडलों के लिए एक दुःस्वप्न होता है क्योंकि तरल बिना अपनी ऊर्जा बदले हमेशा के लिए घूम सकता है, जिससे इसे ठीक करना कठिन हो जाता है। हालाँकि, लेखकों ने एक रास्ता खोज निकाला। यहाँ तक कि इस मामले में भी, यदि तरल को धकेलने वाला बल (हवा) उस विशिष्ट कठोर तरीके से घुमाने की कोशिश नहीं कर रहा है, तो 'नज' अभी भी काम करता है। मुख्य बात यह है कि 'नज' दीवार पर घूमने की गति का पता लगाता है (जिसे प्राकृतिक घर्षण मिस कर देता है) और उसे ठीक करता है।

निष्कर्ष

यह शोध पत्र एक कठोर गणितीय प्रमाण है। यह केवल यह सुझाव नहीं देता कि यह काम कर सकता है; यह सिद्ध करता है कि विशिष्ट परिस्थितियों में, मॉडल और वास्तविकता के बीच का अंतर अनिवार्य रूप से तेजी से (exponentially) समाप्त हो जाएगा।

लेखक इस विचार को खारिज करते हैं कि आपको नियंत्रण पाने के लिए तरल के अंदर देखने की आवश्यकता है। वे दिखाते हैं कि किनारे को देखना ही पर्याप्त है, बशर्ते आपके पास एक पर्याप्त मजबूत फीडबैक तंत्र हो। वे यह भी स्पष्ट करते हैं कि यह विधि जादुई रूप से हर संभव समस्या को ठीक नहीं करती है; यदि बाहरी बल बहुत अधिक अराजक (chaotic) हैं या तरल इस तरह से घूम रहा है जिसे 'नज' नहीं पकड़ सकता (हालाँकि वे दिखाते हैं कि यदि बल छोटा है तो इसका भी समाधान है), तो विधि संघर्ष कर सकती है। लेकिन वास्तविक परिदृश्यों की एक विस्तृत श्रृंखला के लिए—शांत महासागरों से लेकर घर्षणयुक्त पाइपों तक—उनका "केवल-सीमा" (boundary-only) डेटा एसिमिलेशन एक सिद्ध, शक्तिशाली उपकरण है।

संक्षेप में, यदि आप डांस फ्लोर के किनारे को देख सकते हैं, तो आप पूरे नृत्य को तालमेल बिठाना सिखा सकते हैं, बशर्ते आप नर्तकों को पालन करने के लिए एक पर्याप्त मजबूत संकेत दें।