A Physics-Informed Computational Framework for Forward Prediction and Inverse Closure Learning of Pore-Scale Biofilm Growth

Technische Samenvatting: Een Fysisch-Geïnformeerd Computationeel Raamwerk voor Forward Predictie en Inverse Closure Learning van Pore-schaal Biofilmgroei

Probleemstelling
Het modelleren van biofilmgroei in poreuze media vormt een aanzienlijke multiphysica-uitdaging vanwege de complexe, spatiotemporele koppeling van vloeistofstroom, nutriëntentransport en microbiële kinetiek. Traditionele continuümmodellen vertrouwen vaak op vereenvoudigde fysische aannames die er niet in slagen om pore-schaal heterogeniteiten te vatten, wat leidt tot parametervariatie en structurele fouten, met name met betrekking tot closure-relaties voor de expansie van biofilms. Daarentegen worstelen puur datagedreven benaderingen met generalisatie en fysische consistentie wanneer zij extrapoleren buiten de trainingsdata. Bovendien is directe observatie van pore-schaal dynamiek in opaak poreus medium moeilijk, wat het gebruik van microfluidische platforms noodzakelijk maakt die weliswaar transparant zijn, maar complexe data genereren die robuuste computationele raamwerken vereisen voor interpretatie. De kernuitdaging die wordt geadresseerd is hoe men accuraat de evolutie van biofilms kan voorspellen en effectieve observatieschaal closure-wetten (specifiek zelfinhibitiemechanismen) kan identificeren door experimentele microfluidische data te integreren met de leidende fysische vergelijkingen.

Methodologie
De studie stelt een fysisch-geïnformeerd computationeel raamwerk voor dat een gemodificeerd flow–transport–groei model integreert met Physics-Informed Neural Networks (PINNs).

1. Experimentele Opstelling: Tijd-opgeloste microfluidische beeldvorming werd uitgevoerd met een chip gekoloniseerd door Bacillus subtilis en gevoed met een glucoseoplossing. High-dynamic-range imaging legde de biofilmgroei vast over een periode van 24 uur. Dataprocessing converteerde de transmissie van lichtintensiteit naar ruimtelijk opgeloste velden van biomassa ($M$), porositeit ($n$) en permeabiliteit ($k$).
2. Fysische Modellering:
   • Flow: De Darcy–Brinkman–Stokes (DBS) vergelijking werd gebruikt om de stroming zowel in vrije kanalen als in de poreuze biofilmregio's uniform te beschrijven, waardoor complex her-meshing werd vermeden.
   • Nutriëntentransport: Een Convection–Diffusion–Reaction (CDR) vergelijking modelleerde substraattransport en -consumptie op basis van Monod-kinetiek.
   • Biomassa Evolutie: Een gemodificeerde Diffusion–Reaction (DR) vergelijking werd geformuleerd. Cruciaal is dat de auteurs een dichtheidsafhankelijke groeiformulering introduceerden die een zelfinhibitiefactor ($S$) bevat. Deze factor vangt een niet-monotone (S-vormige) relatie tussen biomassa en expansie op, waarbij een overgang plaatsvindt van substraatgelimiteerde groei bij lage biomassa naar zelfinhibitie (draagkracht) bij hoge biomassa. De diffusiecoëfficiënt van de biofilm ($D_b$) werd eveneens afhankelijk gemaakt van de substraatconcentratie en de zelfinhibitiefactor.
3. Numerieke Kalibratie: Een baseline gekoppeld multiphysica-model werd geïmplementeerd in COMSOL Multiphysics. Parameters werden gekalibreerd met behulp van een sequential quadratic programming (SQP) algoritme om de mismatch tussen simulatie en experimentele biomassavelden te minimaliseren (met behulp van MSE en SSIM metrieken).
4. PINN Architectuur: Een deep neural network werd ontworpen met een input mapping layer, een residual connection module (met parallelle sub-netwerken van variërende diepte) en feature fusion layers. Het netwerk neemt spatiotemporele coördinaten als input en geeft snelheid, druk, substraatconcentratie en biomassa als output.
   • Training: De loss-functie combineerde data-fitting loss (Huber loss tegen experimentele biomassa) met residual losses van de leidende PDE's (DBS, CDR, DR) en randvoorwaarden/beginvoorwaarden.
   • Inverse Closure Learning: Een fully connected neural network (FCNN) werd ingebed binnen de PINN om een effectieve observatieschaal-correctiefactor ($S'$) en een diffusiecoëfficiënt-parameter ($b_{inv}$) direct uit de data te leren, ter vervanging van de vaste functionele vorm van $S$.
   • Transfer Learning: Pre-getrainde NN-PINN modellen werden aangepast aan een nieuw kinetisch scenario met schaarse data door de netwerkparameters te finetunen, waarbij verschillende strategieën voor het bevriezen van verschillende netwerk-lagen werden vergeleken.

Belangrijkste Bijdragen

• Gemodificeerd Biofilmmodel: De studie stelt een dichtheidsafhankelijk biofilm-diffusiemodel voor met een expliciete zelfinhibitieterm, afgeleid van de observatie van niet-monotone biomassa-expansiedynamiek in microfluidische experimenten.
• PINN Framework voor Biofilms: Het vestigt een PINN-raamwerk specifiek voor pore-schaal biofilmgroei, wat simultane forward predictie en inverse inferentie mogelijk maakt onder gekoppelde PDE-restricties.
• Inverse Closure Learning: Het raamwerk demonstreert het vermogen om een effectieve observatieschaal-closure (de zelfinhibitiefactor) invers te leren, die de structurele nauwkeurigheid van het fysische model verfijnt zonder dat expliciete moleculaire mechanismen vereist zijn.
• Data-efficiëntie via Transfer Learning: De studie toont aan dat een pre-getraind PINN kan dienen als een herbruikbare prior, waardoor nauwkeurige adaptatie aan gerelateerde scenario's met aanzienlijk minder gelabelde data (sparse supervision) mogelijk is.

Resultaten

• Experimentele Analyse: Beeldvorming onthulde dat de biofilm-groeisnelheid het hoogst is nabij vrije kanalen (nutriënt-rijk) en afneemt in het binnenste deel. Een duidelijke S-vormige relatie werd geobserveerd tussen biomassa en groeisnelheid, wat de overgang van substraatbeperking naar zelfinhibitie bevestigt.
• Forward Predictie: In extrapolatietests (het voorspellen van 48–69 minuten op basis van 0–45 minuten trainingsdata) bereikte de PINN een $R^2$ van 0,93. Dit presteerde beter dan het gekalibreerde numerieke model ($R^2 = 0,85$) en het puur datagedreven model ($R^2 = 0,86$). De PINN behield de nauwkeurigheid bij verdere extrapolatie naar de toekomst, waar het datagedreven model significant degradeerde door een gebrek aan fysische restricties.
• Inverse Closure Learning: De NN-PINN slaagde er succesvol in om een correctiefactor ($S'$) te leren die een trend vertoonde die vergelijkbaar was met de oorspronkelijke $S$, maar resulteerde in kleinere residuals voor de diffusie-reactievergelijking. Dit gaf aan dat de datageleide closure beter aansloot bij de leidende fysische wetmatigheden en de structurele mismatch verminderde. Zelfs met verminderde dataconstricties (verwijdering van randvoorwaarden en data-fitting losses), bleef de NN-PINN stabieler dan de standaard PINN.
• Transfer Learning: Wanneer toegepast op een nieuw scenario met slechts 20% van de oorspronkelijke trainingsdata, bereikte de getransfereerde NN-PINN een $R^2$ van 0,91, waarbij fijnmazige biomassapatronen werden gevangen. In contrast hiermee behaalde een model dat vanaf nul werd getraind op de schaarse data slechts een $R^2$ van 0,63. Strategieën die lagen niet bevroren of alleen oppervlakkige lagen bevroren, presteerden het best.

Significantie
Het artikel stelt dat dit raamwerk een data-efficiënte computationele strategie biedt voor voorspellende simulatie en inverse closure learning in gekoppelde biofilm-gemedieerde transportsystemen. Door microfluidische observaties te integreren met mechanistische restricties, adresseert de aanpak de beperkingen van traditionele modellen (structurele fouten) en puur datagedreven modellen (slechte generalisatie). Het vermogen om effectieve observatieschaal-closures te leren en pre-getrainde modellen aan te passen aan scenario's met schaarse data, suggereert een pad naar robuustere modellering van biofilmprocessen in technische poreuze media, zoals bij bioremediatie en microbiële elektrochemische technologieën. De auteurs merken op dat toekomstig werk het raamwerk zal uitbreiden om variabele randvoorwaarden en expliciete mechanische responsen zoals deformatie en loslating (detachment) te bevatten.