Non-local physics-informed neural networks for forward and inverse solutions of granular flows

Dit artikel introduceert een data-gedreven platform op basis van Physics-Informed Neural Networks (PINNs) dat het niet-lokale granulaire vloeistofmodel (NGF) gebruikt om zowel voorwaartse als inverse oplossingen voor granulaire stromingen te berekenen, waardoor nauwkeurige inferentie van materiaalparameters en spanningsvelden mogelijk wordt vanuit schaarse experimentele waarnemingen.

De kern

Het Grote Kussenprobleem: Waarom korrels zich soms raar gedragen

Stel je voor dat je een kussen met veertjes uit de kast haalt. Als je er zachtjes op drukt, voelt het als een vast blok. Duw je harder, dan stromen de veertjes als water. Dit is precies wat er gebeurt met korrelige materialen (zoals zand, suiker, koffiebonen of graan).

In de natuurkunde hebben we al lang formules om te voorspellen hoe deze materialen stromen. Maar er is een groot probleem: deze oude formules werken alleen goed als de stroming heel egaal is. Zodra je in een hoekje komt, of als de stroming heel langzaam is, gaan de formules faal.

Waarom? Omdat korrels niet alleen met hun directe buren praten. Ze zijn als een groep vrienden op een drukke feestzaal: als iemand links in de kamer begint te dansen, merken mensen rechts dat ook, zelfs als ze elkaar niet zien. Dit noemen we "non-lokale effecten". De beweging van één korrel beïnvloedt korrels die ver weg liggen. De oude formules zagen dit niet, omdat ze dachten dat elke korrel alleen met zijn eigen buurman praatte.

De Nieuwe Theorie: Het "Vloeibaarheids-Netwerk"

Om dit op te lossen, hebben wetenschappers een nieuw model bedacht (het NGF-model). Ze stellen zich voor dat er een onzichtbaar "vloeibaarheids-netwerk" door het zand loopt.

• In gebieden waar het zand stroomt, is dit netwerk actief.
• In gebieden waar het zand stilstaat, is het net iets minder actief, maar het kan toch "voelen" wat er in de buurt gebeurt.

Er is echter één lastig getal in deze formule: A.
Dit getal A bepaalt hoe ver die "gevoeligheid" reikt. Is A groot? Dan reageren korrels op bewegingen die ver weg gebeuren (zoals een grote golf in een meer). Is A klein? Dan reageren ze alleen op wat direct naast hen gebeurt (zoals een plasje water).

Het probleem: Niemand weet precies wat de waarde van A is voor een bepaald soort zand. Je kunt het niet met een liniaal meten. Vroeger moesten wetenschappers duizenden dure computer-simulaties draaien om dit getal te raden, en dat werkte vaak niet goed voor nieuwe situaties.

De Oplossing: De Slimme AI-Detective (PINN)

In dit onderzoek hebben de auteurs (Saghar en Safa) een slimme AI-bedacht, een Physics-Informed Neural Network (PINN). Je kunt je dit voorstellen als een super-slimme detective die twee dingen tegelijk doet:

1. Hij kent de wetten van de natuur: Hij heeft de regels van de fysica (zoals zwaartekracht en druk) in zijn hoofd geprogrammeerd. Hij weet hoe zand moet stromen.
2. Hij kijkt naar de feiten: Hij krijgt alleen een video van hoe het zand beweegt (de snelheid), maar hij krijgt geen informatie over de druk of de krachten erin.

Hoe werkt het in de praktijk?

• De Voorwaartse Test (Voorspellen): Eerst laten ze de AI een scenario spelen met een bekend getal A. De AI voorspelt dan hoe het zand stroomt. Dit bleek perfect te kloppen met de echte natuurkunde, zelfs in complexe situaties waar oude methoden faalden.
• De Omgekeerde Test (Oplossen): Dit is het echte magische stukje. Ze geven de AI alleen de video van de stroming en zeggen: "Weet je niet wat A is? Raad het maar!"
  De AI begint te gokken op een waarde voor A, kijkt of de stroming die daaruit volgt klopt met de video, en past A steeds een beetje aan. Na een tijdje vindt de AI het perfecte getal A dat precies de stroming verklaart.

Waarom is dit zo cool?

Stel je voor dat je een dokter bent die een patiënt moet onderzoeken.

• De oude manier: Je moet de patiënt openen, alle organen uitnemen, ze op een lab tafel leggen en meten. (Dit is als de dure computer-simulaties).
• De nieuwe manier (deze paper): Je kijkt gewoon naar hoe de patiënt loopt en ademt. Omdat je de wetten van de menselijke anatomie kent, kun je precies zeggen welke spierkracht er nodig is en wat er mis is, zonder te snijden.

Deze AI kan nu A vinden (de "gevoeligheid" van het zand) door alleen naar de snelheid van de stroming te kijken.

• Het werkt snel.
• Het werkt met weinig data (je hoeft niet alles te meten).
• Het werkt zelfs als het zand zich raar gedraagt (zoals in een silo of op een helling).

Conclusie

De auteurs hebben een brug gebouwd tussen de complexe wiskunde van korrelige stoffen en de echte wereld. Ze hebben een AI-bedacht die kan "leren" hoe zand zich gedraagt en tegelijkertijd de verborgen geheimen (zoals het getal A) kan onthullen.

Dit betekent dat we in de toekomst veel beter kunnen voorspellen hoe graan door een fabriek stroomt, hoe zand in een dam zich gedraagt, of hoe medicijnpoeder in een pilletjesmachine stroomt, zonder dat we jarenlang hoeven te experimenteren. Het is alsof we eindelijk de taal van het zand hebben vertaald naar iets wat we kunnen begrijpen en gebruiken.

Technische samenvatting

Probleemstelling

Dichte korrelige stromingen vertonen vaak niet-lokale effecten, veroorzaakt door stressoverdracht via micro-plastische gebeurtenissen, vooral in quasi-statische of langzaam geschuurdde gebieden. Traditionele lokale reologische modellen (zoals het $\mu(I)$-model) falen hierin omdat ze aannemen dat het materiaalgedrag uitsluitend wordt bepaald door lokale spanning en vervormingssnelheid. Dit leidt tot een onjuiste voorspelling van ruimtelijke coöperativiteit, sub-yield kruip (creep) en de vorming van shear bands met een eindige breedte.

Om dit te adresseren is het Nonlocal Granular Fluidity (NGF)-model ontwikkeld. Dit model introduceert een veldvariabele, de korrelige fluiditeit ($g$), die evolueert volgens een diffuusie-achtige partiële differentiaalvergelijking (PDE). Een cruciale parameter in dit model is de niet-lokale amplitude ($A$), die de schaal van de ruimtelijke coöperativiteit bepaalt.

• De uitdaging: Het bepalen van $A$ is extreem moeilijk. Het kan niet direct worden gemeten, zelfs niet in simulaties, omdat het een coefficient is van een tweede-orde ruimtelijke afgeleide in een vergelijking voor een niet-observabele variabele ($g$). Bestaande methoden vereisen uitgebreide, geometrie-specifieke kalibratie via Discrete Element Method (DEM) simulaties, wat computatief duur is en slecht generaliseert naar nieuwe stromingsconfiguraties.

Methodologie

De auteurs ontwikkelen een Physics-Informed Neural Network (PINN) framework dat het NGF-model integreert om zowel voorwaartse (forward) als omgekeerde (inverse) problemen op te lossen.

1. Architectuur:

   • Een volledig verbonden feedforward neurale netwerken met zes verborgen lagen (60 neuronen per laag) en tanh-activatiefuncties.
   • Invoer: Ruimtelijke en temporele coördinaten $(x, y, t)$.
   • Uitvoer: Snelheidscomponenten $(u, v)$, druk $(P)$, spanningscomponenten $(\sigma_{xx}, \sigma_{yy}, \sigma_{xy})$ en, in het inverse geval, de niet-lokale amplitude $A$.
   • Differentiatie: Automatische differentiatie wordt gebruikt om de benodigde afgeleiden voor de PDE's te berekenen, waardoor een mesh-vrije oplossing mogelijk is.

2. Verliesfunctie (Loss Function):
   Het netwerk wordt getraind door het minimaliseren van een samengestelde verliesfunctie die bestaat uit:

   • Residuen van de besturingsvergelijkingen: Incompressibiliteit, impulsbehoud (met zwaartekracht) en de transient NGF-fluiditeitsvergelijking.
   • Rand- en beginvoorwaarden: Soft penalties voor de opgelegde randvoorwaarden (bijv. no-slip) en begincondities.
   • Er is geen behoefte aan gelabelde data voor interne variabelen zoals spanning of fluiditeit; alleen de fysica en (voor het inverse probleem) snelheidsobservaties zijn nodig.

3. Twee-staps strategie:

   • Stap 1 (Directe PINN): Getraind met een bekende waarde van $A$ om de volledige gekoppelde stelselvergelijkingen op te lossen. Dit dient als validatie tegenover een numerieke spectrale solver.
   • Stap 2 (Inverse PINN): $A$ wordt behandeld als een trainbare globale parameter. Het netwerk wordt getraind uitsluitend op snelheidsdata om $A$ te infereren, terwijl de overige reologische parameters ($\mu_s$, $b$) vast blijven.

4. Testgevallen:
   De methode wordt getest op twee configuraties:

   • Schuifgedreven stroming: Twee parallelle platen, waarbij de bovenste plaat beweegt.
   • Drukgedreven stroming: Stroming gedreven door een horizontale drukgradiënt in een kanaal.
   • In beide gevallen wordt zwaartekracht expliciet meegenomen in de impulsvergelijking.

Belangrijkste Resultaten

• Validatie van de Directe PINN: De voorspellingen van de directe PINN komen uiterst nauwkeurig overeen met referentieoplossingen van een spectrale numerieke solver voor zowel snelheidsvelden als spanningsvelden. De fouten zijn uniform laag over het ruimtelijk-temporele domein.
• Inversie van Parameter $A$:
  • De inverse PINN slaagt erin om de niet-lokale amplitude $A$ nauwkeurig te herleiden uit alleen snelheidsobservaties.
  • In meerdere testcases varieerde de relatieve fout in de voorspelde $A$-waarde minder dan 1% (vaak < 0,2%).
  • Voorbeeld: Bij een ware waarde van $A=0.48$ voorspelde het model $A=0.476$. Bij $A=0.83$ werd $0.8307$ voorspeld.
• Sensitiviteit: De stromingsdynamica is zeer gevoelig voor kleine variaties in $A$. Het model kan deze subtiele veranderingen in het snelheidsprofiel, de vloeigrens en de shear band-breedte correct vastleggen.
• Invloed van Parameters: De studie bevestigt dat:
  • Grotere $A$ leidt tot bredere shear bands en diepere penetratie van fluiditeit in sub-yield gebieden.
  • De parameter $b$ (snelheidsgevoeligheid) en $\mu_s$ (statische wrijvingscoëfficiënt) de localisatie van de stroming en de overgang tussen statisch en vloeibaar gedrag sturen.

Bijdragen

1. Eerste praktische route voor parameterontdekking: Dit is een van de eerste methoden die experimenteel waarneembare snelheidsvelden direct koppelt aan complexe niet-lokale continuümmodellen en hun parameters, zonder uitgebreide DEM-simulaties.
2. Universeel en mesh-vrij framework: Het biedt een geünificeerde aanpak voor zowel voorwaartse simulatie als inverse parameteridentificatie in complexe geometrieën, zonder de beperkingen van traditionele numerieke discretisatie.
3. Data-efficiëntie: Het systeem vereist geen gelabelde data voor interne stress- of fluiditeitsvelden, wat het zeer geschikt maakt voor situaties met schaarse experimentele data.
4. Integratie van zwaartekracht: Door zwaartekrachtskrachten expliciet op te nemen, kan het model realistische stromingen modelleren waarbij gravitationele gradiënten de ruimtelijke coöperativiteit beïnvloeden.

Significantie

Deze studie demonstreert dat data-gedreven methoden, specifiek PINNs, een krachtig alternatief kunnen zijn voor traditionele kalibratieworkflows in de korrelige mechanica. Het oplossen van het inverse probleem voor de niet-lokale amplitude $A$ opent nieuwe mogelijkheden voor het karakteriseren van korrelige materialen op basis van beperkte experimentele waarnemingen. Dit maakt het mogelijk om niet-lokale reologische modellen betrouwbaar toe te passen op ongeteste geometrieën en stromingsconfiguraties, wat een belangrijke stap is voor de voorspellende modellering van complexe industriële en geotechnische processen.