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

तरल पदार्थ हर जगह मौजूद हैं, जैसे कि हवाई जहाज के पंख के ऊपर से गुजरती हवा से लेकर नाली में घूमते पानी तक। यह समझने के लिए कि ये तरल पदार्थ कैसे चलते हैं, वैज्ञानिक अक्सर अदृश्य धाराओं का मानचित्र बनाने की कोशिश करते हैं, जिससे अंतरिक्ष के हर बिंदु पर गति और दबाव की एक पूर्ण तस्वीर तैयार होती है। यह कठिन है क्योंकि प्रवाह को मापने के लिए उपयोग किए जाने वाले उपकरण, जैसे कि हवा या पानी में तैरते सूक्ष्म ट्रेसर कणों को ट्रैक करना, केवल बिखरे हुए स्नैपशॉट ही प्रदान करते हैं। कल्पना कीजिए कि आप केवल जमीन पर बिखरे हुए कुछ यादृच्छिक बिंदुओं का उपयोग करके किसी परिदृश्य का एक चिकना, निरंतर मानचित्र बनाने की कोशिश कर रहे हैं। वे बिंदु बताते हैं कि विशिष्ट स्थानों पर जमीन कहाँ है, लेकिन वे उन विशाल अंतरालों को छोड़ देते हैं जहाँ बीच में पहाड़ और घाटियाँ हो सकती हैं। उन अंतरालों को सटीक रूप से भरना, विशेष रूप से जटिल प्रवाह जैसे कि विक्षोभ (टर्बुलेंस) को परिभाषित करने वाले तीखे मोड़ों और दबाव के अचानक परिवर्तनों को पकड़ने के लिए, लंबे समय से शोधकर्ताओं के लिए एक बड़ी चुनौती रहा है।

जर्मन एयरोस्पेस सेंटर के शोधकर्ताओं की एक टीम ने एक नए प्रकार के गणितीय उपकरण का पुराने, स्थापित तरीकों के विरुद्ध परीक्षण करके इस समस्या को हल करने का प्रयास किया। उन्होंने 'फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क' नामक एक तकनीक पर ध्यान केंद्रित किया, जो कृत्रिम बुद्धिमत्ता का उपयोग न केवल लुप्त डेटा का अनुमान लगाने के लिए करती है, बल्कि उन भौतिक नियमों को सीखने के लिए भी करती है जो तरल पदार्थों की गति को नियंत्रित करते हैं। उन्होंने इस नए दृष्टिकोण की तुलना प्रवाह के पुनर्निर्माण के दो पारंपरिक तरीकों के विरुद्ध की: एक सरल विधि जो आस-पास के डेटा बिंदुओं का औसत निकालती है, और एक अधिक उन्नत विधि जो डेटा को एक विशिष्ट गणितीय ग्रिड में फिट करने के लिए मजबूर करती है। टर्बुलेंट हवा के कंप्यूटर सिमुलेशन और वास्तविक दुनिया के विंड टनल प्रयोगों दोनों पर इन विधियों का परीक्षण करके, उन्होंने पाया कि न्यूरल नेटवर्क दृष्टिकोण बिखरे हुए डेटा के मामले में कहीं अधिक सुदृढ़ था, जो उनके प्रतिस्पर्धियों की तुलना में प्रवाह की जटिल संरचनाओं को बेहतर ढंग से संरक्षित करता है।

शोधकर्ताओं ने शुरुआत दो प्रकार के कंप्यूटर सिमुलेशन उत्पन्न करके की जो आदर्श परीक्षण स्थल के रूप में कार्य करते थे। पहला सिमुलेशन 'होमोजेनियस आइसोट्रोपिक टर्बुलेंस' का था, जो एक अराजक लेकिन संतुलित अवस्था है जिसमें बिना दीवारों या सीमाओं के तरल पदार्थ घूमता है। दूसरा एक 'टर्बुलेंट बाउंड्री लेयर' था, जो एक सपाट सतह के ऊपर बहने वाली हवा की नकल करता है, जिससे दीवार के ठीक बगल में तीव्र गति परिवर्तन वाला क्षेत्र बनता है। दोनों ही मामलों में, उन्हें प्रवाह का सटीक और पूर्ण क्षेत्र पता था, जिससे वे देख सके कि प्रत्येक पुनर्निर्माण विधि बिखरे हुए डेटा से सत्य को कितनी अच्छी तरह से पुनः प्राप्त करती है। उन्होंने एक तीसरा परीक्षण भी किया जिसमें जर्मन एयरोस्पेस सेंटर में विंड टनल में लिए गए वास्तविक माप शामिल थे, जहाँ उन्होंने हवा में घूमते हजारों सूक्ष्म तेल की बूंदों को ट्रैक किया। इस वास्तविक परिदृश्य में, उनके पास तुलना करने के लिए कोई पूर्ण मानचित्र नहीं था, इसलिए उन्हें प्रशिक्षण प्रक्रिया के दौरान जानबूझकर छोड़े गए कणों की गति की भविष्यवाणी करने की क्षमता के आधार पर विधियों का आकलन करना था।

तुलना को निष्पक्ष बनाने के लिए, शोधकर्ताओं ने प्रत्येक विधि के लिए समान कच्चा डेटा उपयोग किया: ट्रैक किए गए कणों की स्थिति, गति और त्वरण, जिसे माप शोर (नॉइज़) को हटाने के लिए सुधारा गया था। फिर उन्होंने डेटासेट से कणों को व्यवस्थित रूप से हटाया, जिससे बहुत विरल (स्पार्स) डेटा की स्थितियों का अनुकरण हुआ। इससे उन्हें यह देखने का अवसर मिला कि उपलब्ध जानकारी कम होने पर प्रत्येक विधि कैसा प्रदर्शन करती है। सरल औसत विधि, जो आस-पास के कणों को छोटे बक्सों में समूहित करती है और औसत गति की गणना करती है, तुरंत संघर्ष करने लगी। जैसे-जैसे कणों की संख्या कम हुई, इस विधि ने शोर युक्त, ऊबड़-खाबड़ परिणाम दिए जो तरल पदार्थ की चिकनी, निरंतर प्रकृति को पकड़ने में विफल रहे। इसने प्रवाह के सूक्ष्म विवरणों को भी खो दिया, जिससे वे छोटे, ऊर्जावान भंवर भी दब गए जो विक्षोभ (टर्बुलेंस) को समझने के लिए महत्वपूर्ण होते हैं।

दूसरी विधि, जिसे 'फ्लोफिट' (FlowFit) कहा जाता है, ने एक अधिक परिष्कृत दृष्टिकोण का उपयोग किया, जिसमें डेटा को एक त्रि-आयामी ग्रिड में फिट किया गया और परिणाम को द्रव्यमान संरक्षण के नियम का पालन करने के लिए मजबूर किया गया, जिसका अर्थ है कि तरल पदार्थ अचानक प्रकट या गायब नहीं हो सकता। यह विधि तब अच्छा प्रदर्शन करती थी जब डेटा घना होता था, जिससे अक्सर प्रवाह की गति और दबाव का बहुत सटीक मानचित्र प्राप्त होता था। हालाँकि, जैसे-जैसे कणों की संख्या कम हुई, इसका प्रदर्शन बिगड़ने लगा, विशेष रूपकर दीवारों के पास जहाँ प्रवाह सबसे तेजी से बदलता है। इसने कृत्रिम लहरें और त्रुटियां पैदा करना शुरू कर दिया, और हालांकि इसने द्रव्यमान का गणितीय रूप से पूर्ण संतुलन बनाए रखा, लेकिन कभी-कभी यह उस प्रवाह संरचना की भौतिक वास्तविकता को खो देता था जिसे यह दर्शाने की कोशिश कर रहा था।

तीसरी विधि, 'फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क' ने एक अलग रास्ता अपनाया। एक निश्चित ग्रिड पर डेटा को थोपने के बजाय, इसने एक लचीले न्यूरल नेटवर्क का उपयोग किया जो स्थान और समय में कहीं भी प्रवाह का वर्णन करने के लिए एक निरंतर फलन (फंक्शन) सीख सकता था। महत्वपूर्ण बात यह थी कि इस नेटवर्क को केवल कणों की गति से मेल खाने के लिए ही नहीं बताया गया था, बल्कि इसे तरल गति के मूलभूत समीकरणों को संतुष्ट करने के लिए भी प्रशिक्षित किया गया था, जिससे यह सुनिश्चित हुआ कि पुनर्निर्मित प्रवाह एक वास्तविक तरल की तरह व्यवहार करे। परिणाम आश्चर्यजनक थे। सभी स्तरों की विरलता (स्पर्सिटी) में, घने डेटा से लेकर बहुत विरल डेटा तक, न्यूरल नेटवर्क ने लगातार प्रवाह की गति और दबाव के सबसे सटीक मानचित्र प्रस्तुत किए। यह प्रवाह की संरचना की अखंडता को बनाए रखने की अपनी क्षमता में विशेष रूप से प्रभावशाली था। यहाँ तक कि जब डेटा अत्यंत विरल था, तब भी नेटवर्क ने विक्षोभ के सुसंगत, घूमते हुए पैटर्न को सुरक्षित रखने में सफलता प्राप्त की, जबकि अन्य विधियों ने खंडित या अत्यधिक सुचारू परिणाम दिए जो प्रवाह के आवश्यक चरित्र को समझने में विफल रहे।

सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि न्यूरल नेटवर्क ने दबाव क्षेत्र (प्रेशर फील्ड) को कैसे संभाला। तरल प्रवाह में दबाव को सीधे मापना अत्यंत कठिन होता है, और बिखरे हुए डेटा से इसे पुनर्गठित करना अक्सर सबसे कठिन हिस्सा होता है। न्यूरल नेटवर्क ने भौतिकी के नियमों के माध्यम से गति और दबाव के बीच के संबंध को सीखकर, बहुत अधिक सटीकता के साथ दबाव क्षेत्र का अनुमान लगाने में सक्षम बनाया, भले ही डेटा बहुत कम था। वास्तविक दुनिया के विंड टनल प्रयोग में, जहाँ कोई पूर्ण संदर्भ मानचित्र मौजूद नहीं था, न्यूरल नेटवर्क ने फिर से दूसरों से बेहतर प्रदर्शन किया। इसने प्रशिक्षण के दौरान देखे गए कणों के त्वरण की उच्चतम सटीकता के साथ भविष्यवाणी की, जो यह सुझाव देता है कि इसने केवल डेटा बिंदुओं को याद करने के बजाय प्रवाह के अंतर्निपास भौतिक विज्ञान को सफलतापूर्वक सीख लिया था।

अध्ययन ने यह भी स्पष्ट किया कि एक अच्छे पुनर्निर्माण को क्या बनाता है। फ्लोफिट विधि एक विशिष्ट तरीके से गणितीय रूप से पूर्ण थी: इसने गारंटी दी कि पुनर्निर्मित प्रवाह में शून्य विचलन (डाइवर्जेंस) है, जिसका अर्थ है कि तरल आयतन प्रत्येक बिंदु पर पूरी तरह से संरक्षित रहता है। हालाँकि, न्यूरल नेटवर्क ने इस शर्त को केवल अनुमानतः (एप्रोक्सिमेटली) संतुष्ट किया। इसके बावजूद, न्यूरल नेटवर्क ने एक ऐसा प्रवाह क्षेत्र तैयार किया जो भौतिक रूप से अधिक सटीक और सत्य के करीब था। यह सुझाव देता है कि जटिल, वास्तविक दुनिया के परिदृश्यों में, एक बाधा में छोटी गणितीय त्रुटि समग्र प्रवाह संरचना में बड़ी त्रुटि की तुलना में कम हानिकारक होती है। डेटा के साथ भौतिक नियमों को संतुलित करने की न्यूरल नेटवर्क की क्षमता ने इसे एक ऐसा समाधान खोजने में सक्षम बनाया जो अधिक सुदृढ़ और विश्वसनीय था, भले ही डेटा अपूर्ण था।

कंप्यूटेशनल लागत के मामले में, न्यूरल नेटवर्क को चलाने के लिए काफी अधिक समय लगा, जिसे एक शक्तिशाली ग्राफिक्स प्रोसेसर पर कई घंटे लगे, जबकि अन्य विधियों को मानक कंप्यूटर प्रोसेसर पर केवल कुछ मिनट लगे। हालाँकि, शोधकर्ताओं ने नोट किया कि यह अतिरिक्त समय परिणामों की बेहतर गुणवत्ता के लिए एक आवश्यक समझौता था, विशेष रूप से उन स्थितियों में जहाँ डेटा दुर्लभ है। अध्ययन का निष्कर्ष है कि जबकि पारंपरिक विधियों का अपना महत्व है, फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क बिखरे हुए मापों से तरल प्रवाह के पुनर्निर्माण के लिए एक शक्तिशाली नया तरीका प्रदान करता है। यह विक्षोभ (टर्बुलेंस) की जटिल, घूमती प्रकृति का अधिक निष्ठावान प्रतिनिधित्व प्रदान करता है, और उन आवश्यक संरचनाओं और भौतिक व्यवहारों को पकड़ता है जिन्हें अन्य विधियाँ सीमित डेटा होने पर चूक जाती हैं। यह प्रगति इंजीनियरों और वैज्ञानिकों को एरोडायनामिक्स से लेकर मौसम मॉडलिंग तक के अनुप्रयोगों में तरल व्यवहार को बेहतर ढंग से समझने और भविष्यवाणी करने में मदद कर सकती है, जहाँ सघन, पूर्ण डेटा प्राप्त करना अक्सर असंभव होता है।