Physics-constrained symbolic regression for discovering closed-form equations of multimodal water retention curves from experimental data

Deze studie introduceert een fysisch beperkt machine learning-kader dat gebruikmaakt van genetische programmering om automatisch gesloten formules voor multimodale waterretentiecurven van poreuze materialen te ontdekken uit experimentele data, waarbij fysische consistentie wordt gewaarborgd via een aangepaste verliesfunctie.

De kern

De "Wiskundige Detektive" die de geheimen van nat zand ontrafelt

Stel je voor dat je een bak met zand, klei en grind hebt. Als je er water in giet, blijft het water vastzitten in de kleine gaatjes (de poriën) tussen de korrels. Als je het zand laat drogen, verdwijnt het water op een heel specifieke manier. Wetenschappers noemen dit de "waterretentiecurve". Het is als een vingerafdruk van het materiaal: het vertelt ons precies hoe het zich gedraagt als het nat of droog is.

Maar hier zit de kous: niet alle grondsoorten zijn simpel. Sommige hebben alleen maar kleine gaatjes (zoals fijn zand), maar andere zijn een rommelig mengsel van heel grote en heel kleine gaatjes (zoals een bak met grind én klei). Deze "meervoudige" grondsoorten zijn een nachtmerrie voor de oude wiskundige formules. Die oude formules zijn als een sleutel die alleen past bij één soort slot. Ze kunnen de complexe, golvende vorm van deze mengsels niet goed beschrijven.

Het oude probleem: De "Black Box" en de "Lego-muur"

Vroeger hadden wetenschappers twee opties:

1. De oude formules: Ze probeerden verschillende simpele formules te plakken aan elkaar (zoals Lego-blokjes). Maar dit werd snel een enorme, onbegrijpelijke muur van parameters die niemand meer kon uitleggen.
2. De "Black Box" (Neurale netwerken): Ze gebruikten superkrachtige computers die de data "leerden" zonder regels. Het probleem? Deze computers zijn als een magische doos. Ze voorspellen het juiste antwoord, maar niemand weet waarom. In de ingenieurswereld, waar je zekerheid nodig hebt voor dammen of gebouwen, is een magische doos gevaarlijk. Je wilt weten wat er in de doos zit.

De nieuwe oplossing: De "Fysica-Gedwongen" Detektive

In dit artikel stellen de auteurs (Yejin Kim en Hyoung Suk Suh) een nieuwe methode voor: Physics-Constrained Symbolic Regression. Laten we dit uitleggen met een analogie:

Stel je voor dat je een detective bent die een verdwenen formule moet vinden. Je hebt een stapel foto's (de meetdata) van hoe het water zich gedraagt.

• De oude methode (Symbolic Regression): De detective probeert elke mogelijke wiskundige zin die hij kan bedenken om de foto's te matchen. Het probleem? Hij kan een zin vinden die perfect past, maar die fysisch onmogelijk is. Bijvoorbeeld: "Het water wordt natter naarmate het droger wordt" of "Het water verdwijnt plotseling in de lucht". De detective is slim, maar hij heeft geen gevoel voor de natuurwetten.
• De nieuwe methode (PCSR): Hier krijgen de detective en zijn team een strenge regelslijst (de fysica).
  • Regel 1: Als het droger wordt, moet het waterpercentage altijd dalen (nooit stijgen).
  • Regel 2: Op het droogste punt moet het waterpercentage een vast getal zijn, en niet blijven zwalken.
  • Regel 3: Het waterpercentage kan nooit negatief zijn of groter dan 100%.

De detective moet nu een formule vinden die twee dingen doet:

1. Past perfect bij de foto's (de data).
2. Breekt nooit de regelslijst.

Hoe werkt het? (De Evolutionaire Tuin)

De computer gebruikt een proces dat lijkt op evolutie in een tuin:

1. Het plant duizenden willekeurige wiskundige "planten" (formules).
2. Het kijkt welke planten het beste groeien (de beste voorspellingen doen).
3. Het "kruist" de beste planten met elkaar en laat ze "muteren" (kleine veranderingen maken).
4. De truc: Als een plant probeert te groeien in een richting die tegen de natuurwetten indrukt (bijvoorbeeld als de stam omhoog krult terwijl hij naar beneden moet), wordt die plant direct "gesnoeid" (straf in de berekening).

Zo evolueert de tuin langzaam naar planten die niet alleen mooi bloeien (data passen), maar ook stevig in de grond staan (fysica klopt).

Het resultaat: Een begrijpelijke formule

Het mooiste aan deze methode is dat het resultaat geen onleesbare "black box" is, maar een echte, leesbare wiskundige formule.

• Het is als een recept dat je kunt lezen: "Neem de droogte, vermenigvuldig met dit, tel daar die sinus van op..."
• Het werkt zelfs voor grondsoorten met heel complexe, golvende patronen (meerdere "modi" of pieken in de curve).
• Het voorkomt dat de computer "leert" van ruis of fouten in de metingen (overfitting), omdat de natuurwetten als een anker fungeren.

Waarom is dit geweldig?

1. Betrouwbaarheid: Ingenieurs kunnen de formule gebruiken in hun simulaties en weten dat hij de natuurwetten respecteert.
2. Begrip: We zien precies welke wiskundige relaties de grondsoort beschrijven, in plaats van alleen een computer te vertrouwen die "iets" voorspelt.
3. Toekomst: Omdat de code openbaar is, kan iedereen het gebruiken om nieuwe materialen te bestuderen, van bouwgronden tot milieuprojecten.

Kortom:
De auteurs hebben een slimme manier bedacht om computers te laten "leren" zonder dat ze de regels van de natuur vergeten. Ze hebben een brug gebouwd tussen de ruwe, chaotische meetdata en de elegante, begrijpelijke wiskunde die nodig is om de wereld om ons heen beter te begrijpen en te bouwen. Het is alsof je een vertaler hebt die niet alleen de woorden vertaalt, maar ook de betekenis en de context perfect begrijpt.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Physics-constrained symbolic regression for discovering closed-form equations of multimodal water retention curves from experimental data" in het Nederlands.

Probleemstelling

Het modelleren van het onverzadigde gedrag van poreuze materialen met multimodale poriegrootteverdelingen (materialen met meerdere typen poriën) vormt een aanzienlijke uitdaging. Standaard hydraulische modellen, zoals die van Van Genuchten of Brooks, gaan uit van een unimodale verdeling en zijn daarom ongeschikt voor complexe materialen. Een gebruikelijke workaround is het superponeren van meerdere unimodale functies, maar dit vereist aparte parameteridentificatie voor elke modus, wat de interpretatiebemoeilijkt en de generaliseerbaarheid beperkt, vooral bij schaarse data.

Data-gedreven methoden, zoals diepe neurale netwerken (DNN's), kunnen complexe relaties leren, maar missen interpretatiebaarheid (het "black-box"-probleem) en kunnen fysisch onjuiste voorspellingen doen (bijv. verzadigingswaarden > 1 of niet-monotone gedragingen). Symbolische regressie (SR) biedt wel interpretatieerbare, gesloten formules, maar is vaak gevoelig voor ruis, overfitting en heeft moeite met schaalbaarheid. Bovendien kunnen standaard SR-algoritmes fysisch onzinnige oplossingen vinden omdat ze geen kennis van de onderliggende natuurkunde integreren.

Methodologie: Physics-Constrained Symbolic Regression (PCSR)

De auteurs introduceren een Physics-Constrained Symbolic Regression (PCSR) framework dat gesloten formules voor multimodale waterretentiecurves direct uit experimentele data leert, terwijl het strikt voldoet aan fysische wetten.

Kerncomponenten van het framework:

1. Symbolische Representatie: De zoekruimte bestaat uit wiskundige expressies die worden weergegeven als binaire bomen, geëvolueerd via Genetische Programmering (GP). Operatoren omvatten basisrekenkundige bewerkingen (+, ×) en niet-lineaire functies (sin, cos, exp, ln).
2. Multi-objectieve Optimatie: Het doel is het minimaliseren van een totale verliesfunctie ($L$) die bestaat uit drie delen:
   • Data Loss ($L_{data}$): Meet de fout tussen de voorspelling en de experimentele data (MSE).
   • Physics Loss ($L_{phys}$): Straft schendingen van fysische constraints af. Deze worden geëvalueerd op een reeks collocation-punten. De constraints zijn:
     • Monotonie: De verzadiging moet afnemen naarmate de zuigkracht (suction) toeneemt ($dS_w/ds \leq 0$).
     • Grenswaarden: Bij minimale zuigkracht moet de verzadiging maximaal zijn met een afgeleide van 0; bij maximale zuigkracht moet de verzadiging residuaal zijn met een afgeleide van 0.
     • Bereik: De verzadiging moet tussen 0 en 1 liggen.
   • Mode Loss ($L_{mode}$): Een unieke toevoeging die het aantal "modi" (pieken in de poriegrootteverdeling, gekenmerkt door inflectiepunten in de curve) in de gevonden functie forceert om te overeenkomen met een vooraf gespecificeerd aantal ($N_{mode}$).
3. Data Preprocessing: De ruwe data (zuigkracht $s$ en verzadiging $S_w$) worden genormaliseerd naar een ruimte $[0, 1]$ om de stabiliteit van het leerproces te vergroten.
4. Implementatie: Het framework is gebouwd op de Julia-pakket SymbolicRegression.jl en is open-source beschikbaar.

Belangrijkste Bijdragen

• Ontwikkeling van een PCSR-framework: Een nieuwe aanpak die symbolische regressie combineert met fysische constraints en modale beperkingen om direct gesloten formules te ontdekken.
• Oplossing voor het "Interpretatiebaarheid-Accuracy Trade-off": Het framework levert modellen die zowel nauwkeurig zijn als volledig interpreteerbaar (gesloten vorm), in tegenstelling tot black-box neurale netwerken.
• Preventie van Fysisch Onzinnige Oplossingen: Door constraints als verliestermen in te bouwen, worden oplossingen die fysisch onmogelijk zijn (zoals niet-monotone curves of waarden buiten [0,1]) effectief onderdrukt, zelfs bij ruis in de data.
• Controle over Multimodaliteit: De introductie van de $L_{mode}$-term zorgt ervoor dat het model het juiste aantal poriënmodi leert, wat cruciaal is voor complexe materialen waar standaard SR vaak overfitting vertoont met te veel inflectiepunten.

Resultaten

De auteurs hebben het framework getest op zowel unimodale als multimodale datasets (uit de literatuur en synthetisch gegenereerd):

1. Unimodale Curves: In vergelijking met standaard SR en semi-empirische modellen (Van Genuchten), produceerde de PCSR met modale constraints nauwkeurigere en fysisch consistente curves. Standaard SR neigde tot overfitting en toonde soms ongewenste inflectiepunten, terwijl PCSR met $L_{mode}$ consequent $N_{mode}=1$ behaalde.
2. Multimodale Curves (Bimodaal, Trimodaal, etc.): Voor complexe datasets (bijv. zand met grind, paddy-grond) slaagde de PCSR erin om de juiste bimodale of multimodale vormen te ontdekken. Zonder de modale constraint ($L_{mode}$) neigde het model naar een verkeerd aantal modi (bijv. 9 modi in plaats van 2) en vertoonde het grote fluctuaties. Met de constraint werden de curves glad en fysisch correct.
3. Robuustheid: In Appendix A wordt aangetoond dat de fysische constraints effectief ruis onderdrukken en voorkomen dat het model niet-monotone gedragingen of schendingen van grenswaarden leert, zelfs wanneer de trainingsdata ruis bevat.
4. Integratie: De gevonden vergelijkingen zijn gesloten formules die direct kunnen worden geïntegreerd in bestaande hydraulische simulatiecodes, net als traditionele modellen.

Betekenis en Toekomstperspectief

Dit werk biedt een krachtige oplossing voor het modelleren van onverzadigde stroming in complexe, heterogene grondsoorten waar traditionele modellen falen. Door de combinatie van data-gedreven ontdekking met fysische wetten, biedt het framework modellen die:

• Interpreteerbaar zijn voor ingenieurs.
• Fysisch consistent zijn (thermodynamisch correct).
• Generaliseren beter dan pure data-gedreven modellen, zelfs bij schaarse data.

De auteurs merken op dat de huidige studie zich richt op primaire droging (drainage) en hysteresis effecten buiten beschouwing laat. Toekomstig werk zal zich richten op het uitbreiden van het framework naar hysterese, het koppelen van de symbolische structuren aan specifieke fysische eigenschappen, en het toepassen op bredere geotechnische problemen. De volledige implementatie is open-source beschikbaar om reproducibiliteit en verdere ontwikkeling te stimuleren.