شبکه عصبی PINN چیست و چه کاربردی در CFD دارد؟ آموزش شبکه‌های عصبی آگاه از فیزیک در دینامیک سیالات محاسباتی

شبکه‌های عصبی آگاه از فیزیک (Physics-Informed Neural Networks یا PINNs) یکی از رویکردهای جدید در حوزه هوش مصنوعی و محاسبات مهندسی هستند که امکان ترکیب قوانین فیزیکی با الگوریتم‌های یادگیری عمیق را فراهم می‌کنند. این شبکه‌ها برخلاف بسیاری از مدل‌های معمول یادگیری ماشین، صرفاً از داده‌های ورودی و خروجی برای یادگیری استفاده نمی‌کنند؛ بلکه معادلات حاکم بر پدیده فیزیکی نیز در فرایند آموزش آن‌ها وارد می‌شوند. در دینامیک سیالات محاسباتی (Computational Fluid Dynamics یا CFD)، شبکه‌های PINN می‌توانند برای حل تقریبی معادلات جریان سیال، بازسازی میدان سرعت و فشار، تخمین شرایط مرزی مجهول، تحلیل انتقال حرارت و حل مسائل معکوس مورد استفاده قرار گیرند. اهمیت این روش در آن است که می‌تواند اطلاعات حاصل از قوانین فیزیکی و داده‌های تجربی یا شبیه‌سازی را در یک چارچوب محاسباتی ترکیب کند. به همین دلیل، PINN به‌عنوان یکی از زمینه‌های پژوهشی مهم در پیوند هوش مصنوعی، یادگیری عمیق و مکانیک سیالات شناخته می‌شود. در این مقاله، ساختار شبکه عصبی PINN، نحوه عملکرد آن، تفاوت با شبکه‌های عصبی معمولی، کاربردهای آن در CFD، مقایسه با انسیس فلوئنت و روش پیاده‌سازی یک مسئله ساده جریان سیال با استفاده از Python بررسی می‌شود.

۱. شبکه عصبی PINN چیست؟

شبکه عصبی آگاه از فیزیک یا PINN نوعی شبکه عصبی مصنوعی است که در فرایند آموزش آن، علاوه بر داده‌های موجود، قوانین و معادلات فیزیکی مسئله نیز به‌عنوان قید وارد می‌شوند. در یادگیری ماشین معمولی، شبکه عصبی با مشاهده تعداد زیادی نمونه ورودی و خروجی، تلاش می‌کند رابطه میان آن‌ها را یاد بگیرد. برای مثال، اگر هدف پیش‌بینی سرعت جریان در یک کانال باشد، شبکه با دریافت اطلاعات هندسه، شرایط ورودی و خروجی‌های متناظر آموزش می‌بیند. اما در PINN، شبکه علاوه بر یادگیری از داده‌ها، باید تا حد امکان با معادلات حاکم بر جریان نیز سازگار باشد. برای نمونه، در شبیه‌سازی جریان سیال، معادله پایستگی جرم و معادلات مومنتوم ناویر–استوکس (Navier–Stokes Equations) در فرایند آموزش وارد می‌شوند. بنابراین، شبکه فقط به دنبال تولید پاسخ‌هایی نیست که با داده‌های آموزشی مطابقت داشته باشند؛ بلکه باید پاسخ‌هایی ارائه دهد که با قوانین فیزیکی نیز سازگار باشند. به بیان ساده، در یک شبکه عصبی معمولی، داده‌ها نقش اصلی را در یادگیری دارند؛ اما در PINN، داده‌ها و قوانین فیزیکی به‌صورت هم‌زمان در آموزش مدل نقش دارند.

۲. ساختار شبکه عصبی PINN چگونه است؟

ساختار PINN از یک شبکه عصبی تشکیل شده است که ورودی‌های آن معمولاً مختصات مکانی و زمانی هستند و خروجی‌های آن متغیرهای فیزیکی مسئله را نشان می‌دهند. برای مثال، در یک مسئله دوبعدی جریان هوا، ورودی شبکه می‌تواند شامل مختصات افقی، مختصات عمودی و زمان باشد. خروجی شبکه نیز ممکن است شامل سه متغیر زیر باشد:

• سرعت در راستای افقی (Velocity X)
• سرعت در راستای عمودی (Velocity Y)
• فشار (Pressure)

بنابراین، شبکه با دریافت موقعیت یک نقطه در دامنه محاسباتی، مقادیر تقریبی سرعت و فشار را در آن نقطه پیش‌بینی می‌کند. تفاوت مهم این ساختار با یک شبکه عصبی معمولی در نحوه ارزیابی خروجی‌ها است. در PINN، خروجی شبکه در معادلات حاکم قرار می‌گیرد و میزان نقض قوانین فیزیکی محاسبه می‌شود. اگر خروجی شبکه با معادلات فیزیکی سازگار نباشد، مقدار خطای فیزیکی افزایش پیدا می‌کند و شبکه در فرایند آموزش تلاش می‌کند این خطا را کاهش دهد.

۳. نقش معادلات ناویر–استوکس در PINN

یکی از مهم‌ترین کاربردهای PINN در CFD، استفاده از معادلات ناویر–استوکس برای مدل‌سازی جریان سیالات است. این معادلات رفتار جریان را از نظر پایستگی جرم و مومنتوم توصیف می‌کنند. برای جریان تراکم‌ناپذیر، دو دسته معادله اصلی در مدل‌سازی وجود دارند:

الف) معادله پیوستگی (Continuity Equation)

این معادله بیان می‌کند که جرم سیال در جریان تراکم‌ناپذیر حفظ می‌شود. در یک جریان دوبعدی، تغییرات سرعت در دو راستای مکانی باید به‌گونه‌ای باشند که شرط پایستگی جرم برقرار بماند.

ب) معادلات مومنتوم (Momentum Equations)

این معادلات بر اساس قانون دوم نیوتن، ارتباط میان شتاب سیال، فشار، نیروهای لزجتی و سایر نیروهای وارد بر سیال را بیان می‌کنند. در PINN، شبکه عصبی ابتدا میدان سرعت و فشار را تخمین می‌زند. سپس این مقادیر در معادلات پیوستگی و مومنتوم قرار می‌گیرند تا میزان خطای فیزیکی محاسبه شود. برای مثال، اگر شبکه در یک نقطه از دامنه سرعتی پیش‌بینی کند که با شرط پایستگی جرم سازگار نباشد، تابع خطای فیزیکی این ناسازگاری را ثبت می‌کند. به این ترتیب، معادلات حاکم به بخشی از فرایند یادگیری تبدیل می‌شوند.

۴. تابع خطا یا Loss Function در شبکه PINN

یکی از مهم‌ترین بخش‌های شبکه‌های عصبی آگاه از فیزیک، تابع خطا (Loss Function) است. در شبکه‌های عصبی معمولی، تابع خطا معمولاً اختلاف میان خروجی پیش‌بینی‌شده و مقدار واقعی داده‌های آموزشی را اندازه‌گیری می‌کند. اما در PINN، تابع خطا معمولاً از چند بخش تشکیل می‌شود.

۴-۱. خطای داده‌ها (Data Loss)

این بخش اختلاف میان مقادیر پیش‌بینی‌شده توسط شبکه و داده‌های مرجع را محاسبه می‌کند. برای مثال، اگر در یک نقطه از دامنه، سرعت واقعی بر اساس داده آزمایشگاهی مشخص باشد، مقدار پیش‌بینی‌شده شبکه با آن مقایسه می‌شود.

۴-۲. خطای معادلات فیزیکی (Physics Loss)

این بخش میزان ناسازگاری خروجی شبکه با معادلات حاکم را اندازه‌گیری می‌کند. در یک مسئله جریان تراکم‌ناپذیر، این خطا می‌تواند شامل نقض معادله پیوستگی و معادلات مومنتوم باشد.

۴-۳. خطای شرایط مرزی (Boundary Loss)

در این بخش، خروجی شبکه با شرایط مرزی تعریف‌شده مقایسه می‌شود. برای مثال، اگر سرعت ورودی یک کانال مشخص باشد، شبکه باید در مرز ورودی همان شرایط را رعایت کند.

۴-۴. خطای شرایط اولیه (Initial Condition Loss)

در مسائل گذرا، شرایط اولیه نیز باید در آموزش شبکه لحاظ شوند. برای مثال، اگر جریان در ابتدای زمان ساکن باشد، مدل باید این وضعیت اولیه را رعایت کند. در نتیجه، شبکه تلاش می‌کند هم‌زمان سه ویژگی اصلی را برآورده کند: تطبیق با داده‌ها، رعایت قوانین فیزیکی و رعایت شرایط مرزی و اولیه.

نکته مهم این است که وزن هر بخش از تابع خطا بر عملکرد شبکه تأثیر می‌گذارد. اگر وزن خطای فیزیکی بیش از حد زیاد یا وزن داده‌ها بسیار کم انتخاب شود، ممکن است مدل نتواند اطلاعات مرجع را به‌خوبی بازسازی کند. بنابراین، تنظیم وزن‌ها یکی از چالش‌های مهم آموزش PINN است.

۵. مشتقات معادلات فیزیکی چگونه در شبکه PINN محاسبه می‌شوند؟

یکی از ویژگی‌های مهم PINN استفاده از مشتقات خروجی شبکه عصبی نسبت به ورودی‌ها است. برای مثال، فرض کنیم شبکه با دریافت مختصات مکانی، سرعت جریان را پیش‌بینی می‌کند. برای بررسی معادلات حاکم، لازم است تغییرات سرعت نسبت به مختصات مکانی محاسبه شوند. در شبکه‌های عصبی آگاه از فیزیک، این مشتقات معمولاً با استفاده از روش مشتق‌گیری خودکار (Automatic Differentiation) محاسبه می‌شوند. این روش در کتابخانه‌هایی مانند PyTorch و TensorFlow وجود دارد و امکان محاسبه مشتقات خروجی شبکه نسبت به ورودی‌ها را فراهم می‌کند. برای نمونه، در یک مسئله جریان دوبعدی ممکن است لازم باشد مشتقات سرعت در راستای افقی و عمودی و همچنین مشتقات مرتبه دوم آن‌ها محاسبه شوند. این اطلاعات برای ارزیابی معادلات مومنتوم و پیوستگی مورد استفاده قرار می‌گیرند. مزیت این روش آن است که لازم نیست شبکه صرفاً بر اساس داده‌های از پیش محاسبه‌شده آموزش ببیند؛ بلکه می‌توان مستقیماً از ساختار ریاضی معادلات فیزیکی برای ارزیابی پاسخ شبکه استفاده کرد.

۶. مهم‌ترین کاربردهای PINN در شبیه‌سازی CFD

شبکه‌های PINN در زمینه‌های مختلف مکانیک سیالات مورد مطالعه قرار گرفته‌اند. مهم‌ترین کاربردهای آن‌ها عبارت‌اند از:

۶-۱. حل تقریبی معادلات جریان سیال

یکی از کاربردهای اصلی PINN، تقریب حل معادلات حاکم بر جریان سیال است. در روش متداول CFD، معادلات ناویر–استوکس با استفاده از روش‌های عددی مانند حجم محدود، اجزای محدود یا تفاضل محدود حل می‌شوند. اما در PINN، شبکه عصبی تلاش می‌کند تابعی را یاد بگیرد که پاسخ معادلات حاکم را در دامنه محاسباتی تقریب بزند. برای مثال، در یک کانال دوبعدی می‌توان شبکه‌ای تعریف کرد که سرعت و فشار را در نقاط مختلف پیش‌بینی کند و با استفاده از معادلات پیوستگی و مومنتوم آموزش ببیند. این روش برای برخی مسائل با هندسه و شرایط مناسب می‌تواند مفید باشد؛ اما برای تمام مسائل CFD جایگزین سریع‌تر یا دقیق‌تری نسبت به حل‌گرهای کلاسیک نیست.

۶-۲. بازسازی میدان سرعت و فشار

در بسیاری از آزمایش‌های سیالات، اندازه‌گیری میدان کامل سرعت و فشار در تمام نقاط دامنه امکان‌پذیر نیست. برای مثال، ممکن است تنها سرعت در چند نقطه یا تصویرهای محدودی از جریان در اختیار باشد. PINNمی‌تواند با ترکیب این داده‌های محدود و معادلات فیزیکی، میدان تقریبی سرعت و فشار را در نقاط اندازه‌گیری‌نشده بازسازی کند. این کاربرد در تحلیل جریان اطراف ایرفویل، جریان در کانال‌ها و بررسی جریان در هندسه‌های پیچیده اهمیت دارد.

۶-۳. حل مسائل معکوس (Inverse Problems)

یکی از جذاب‌ترین کاربردهای PINN، حل مسائل معکوس در مکانیک سیالات است. در مسئله مستقیم، شرایط مرزی، خواص سیال و هندسه مشخص هستند و هدف، محاسبه میدان جریان است. اما در مسئله معکوس، بخشی از اطلاعات مجهول است و باید با استفاده از داده‌های موجود تخمین زده شود.

برای مثال:

• تخمین ویسکوزیته مجهول سیال؛
• تخمین سرعت ورودی از روی داده‌های اندازه‌گیری؛
• شناسایی شرایط مرزی ناشناخته؛
• تخمین ضریب انتقال حرارت؛
• بازسازی میدان فشار از داده‌های محدود.

در چنین مسائلی، شبکه PINN می‌تواند هم‌زمان میدان جریان و پارامترهای مجهول را تخمین بزند.

۶-۴. شبیه‌سازی انتقال حرارت

PINN تنها به جریان سیالات محدود نیست و در انتقال حرارت نیز کاربرد دارد. برای مثال، در یک مسئله انتقال حرارت جابه‌جایی، می‌توان میدان دما را با شبکه عصبی تخمین زد و معادله انرژی را در تابع خطا وارد کرد. این روش برای تحلیل انتقال حرارت در کانال‌ها، مبدل‌های حرارتی، خنک‌کاری تجهیزات الکترونیکی و برخی مسائل حرارتی چندفیزیکی مورد مطالعه قرار گرفته است.

۶-۵. شبیه‌سازی جریان در محیط متخلخل

در محیط‌های متخلخل، جریان سیال با ساختار هندسی محیط و خواص انتقالی آن ارتباط دارد.PINN می‌تواند برای تخمین میدان فشار، سرعت و پارامترهای مؤثر در مدل‌سازی محیط متخلخل مورد استفاده قرار گیرد. برای مثال، در جریان آب زیرزمینی، جریان در فیلترهای صنعتی یا انتقال سیال در مواد متخلخل، امکان ترکیب داده‌های محدود با معادلات حاکم وجود دارد.

۶-۶. تحلیل جریان خون و مهندسی پزشکی

در مهندسی پزشکی، داده‌های تصویربرداری و اندازه‌گیری‌های محدود ممکن است برای بازسازی کامل میدان جریان کافی نباشند. شبکه‌های PINN می‌توانند با استفاده از داده‌های موجود و قوانین فیزیکی، در تخمین میدان سرعت و فشار خون در عروق کمک کنند. همچنین در برخی مطالعات، از این شبکه‌ها برای تخمین پارامترهای مجهول جریان خون و بررسی مسائل معکوس استفاده شده است. با توجه به حساسیت این کاربردها، نتایج حاصل باید با داده‌های معتبر و روش‌های مستقل اعتبارسنجی شوند.

۷. تفاوت PINN با شبکه عصبی معمولی و روش CFD کلاسیک

برای درک بهتر جایگاه PINN، لازم است آن را با دو روش دیگر مقایسه کنیم.

تفاوت اساسی PINN و CFD کلاسیک در این است که در روش کلاسیک، معادلات فیزیکی با یک روش عددی گسسته‌سازی و حل می‌شوند؛ در حالی که PINN از یک تابع تقریب‌زننده مبتنی بر شبکه عصبی برای یادگیری پاسخ استفاده می‌کند.

۸. مقایسه PINN و ANSYS Fluent

یکی از پرسش‌های مهم مهندسان این است که آیا PINN می‌تواند جایگزین ANSYS Fluent شود؟ پاسخ کوتاه این است که در شرایط فعلی، PINN و فلوئنت بیشتر ابزارهایی مکمل هستند تا جایگزین مستقیم یکدیگر.

برای یک مسئله صنعتی پیچیده، مانند جریان آشفته سه‌بعدی در یک مبدل حرارتی، فلوئنت معمولاً گزینه عملیاتی تثبیت‌شده‌تری است. در مقابل، اگر هدف تخمین یک پارامتر مجهول از داده‌های محدود یا بازسازی میدان جریان از اندازه‌گیری‌های پراکنده باشد، PINN می‌تواند گزینه پژوهشی ارزشمندی باشد.

۹. آموزش و پیاده‌سازی PINN با Python و PyTorch

برای پیاده‌سازی شبکه‌های PINN معمولاً از زبان Python و کتابخانه‌هایی مانند PyTorch و TensorFlow استفاده می‌شود. در ادامه، ساختار یک پروژه ساده برای جریان دوبعدی معرفی می‌شود. فرض کنیم هدف، تخمین میدان سرعت و فشار در یک دامنه دوبعدی است. ورودی‌های شبکه شامل موارد زیر هستند:

• مختصات X؛
• مختصات Y.

خروجی‌های شبکه نیز شامل موارد زیر هستند:

• سرعت افقی U؛
• سرعت عمودی V؛
• فشار P.

شبکه ابتدا با دریافت مختصات، این سه متغیر را پیش‌بینی می‌کند. سپس با استفاده از مشتق‌گیری خودکار، مشتقات مکانی متغیرها محاسبه می‌شوند. در مرحله بعد، معادلات پیوستگی و مومنتوم ارزیابی می‌شوند و مقدار خطای فیزیکی به دست می‌آید.

۹-۱. کتابخانه‌های موردنیاز

برای شروع، می‌توان از ابزارهای زیر استفاده کرد:

کتابخانه DeepXDE به‌طور خاص برای توسعه مدل‌های مبتنی بر معادلات دیفرانسیل و PINN طراحی شده است و می‌تواند فرایند پیاده‌سازی را ساده‌تر کند.

۹-۲. مراحل پیاده‌سازی

برای یک پروژه دوبعدی ساده، فرایند کلی به این صورت است:

1. تعریف دامنه محاسباتی و مشخص‌کردن هندسه.
2. تعریف معادلات حاکم بر جریان.
3. تعیین شرایط مرزی و در صورت گذرا بودن مسئله، شرایط اولیه.
4. ایجاد شبکه عصبی با ورودی‌های مکانی و خروجی‌های فیزیکی.
5. محاسبه مشتقات خروجی شبکه با Automatic Differentiation.
6. تعریف تابع خطا شامل معادلات فیزیکی و شرایط مرزی.
7. آموزش شبکه با الگوریتم بهینه‌سازی مناسب.
8. ارزیابی نتایج و مقایسه با حل عددی یا داده مرجع.
9. رسم میدان سرعت، فشار و سایر متغیرهای موردنظر.

۱۰. آیا PINN به مش‌بندی نیاز دارد؟

یکی از ویژگی‌هایی که معمولاً درباره PINN مطرح می‌شود، امکان کار بدون شبکه‌بندی متداول CFD است. در روش کلاسیک، دامنه محاسباتی به سلول‌ها یا المان‌های مختلف تقسیم می‌شود و معادلات روی این ساختار گسسته حل می‌شوند. اما در PINN استاندارد، شبکه عصبی یک تابع پیوسته از مختصات مکانی و زمانی را تقریب می‌زند. برای ارزیابی معادلات، نقاطی از دامنه انتخاب می‌شوند که به آن‌ها نقاط هم‌مکانی (Collocation Points) گفته می‌شود. در این نقاط، خطای معادلات فیزیکی محاسبه می‌شود. بنابراین، PINN الزاماً به مش‌بندی متداول Fluent نیاز ندارد؛ اما این به معنای حذف کامل نیاز به انتخاب نقاط محاسباتی نیست. توزیع نقاط هم‌مکانی، تعداد آن‌ها و تمرکز نقاط در نواحی دارای گرادیان شدید، بر کیفیت نتایج تأثیر زیادی دارد. همچنین در هندسه‌های پیچیده، تعریف دامنه و شرایط مرزی می‌تواند دشوار باشد. به همین دلیل، روش‌های ترکیبی و معماری‌های تخصصی برای مسائل هندسی پیچیده توسعه یافته‌اند.

۱۱. محدودیت‌ها و مشکلات PINN در مسائل CFD

با وجود قابلیت‌های علمی این روش، استفاده از PINN در مسائل جریان سیال با چالش‌هایی همراه است.

 ۱۱-۱. دشواری آموزش در جریان‌های آشفته

  جریان آشفته دارای ساختارهای مکانی و زمانی پیچیده و گستره وسیعی از مقیاس‌ها است. یادگیری این ساختارها برای یک شبکه عصبی می‌تواند دشوار باشد. به همین دلیل، عملکرد PINN در مسائل آشفته پیچیده همیشه قابل رقابت با روش‌های عددی تثبیت‌شده نیست.

۱۱-۲. مشکلات همگرایی آموزش

در PINN، کاهش تابع خطا لزوماً ساده نیست. ممکن است خطای داده‌ها کاهش یابد، اما خطای معادلات فیزیکی همچنان بالا باقی بماند.

همچنین تفاوت مقیاس میان بخش‌های مختلف تابع خطا می‌تواند باعث شود شبکه در آموزش یک بخش موفق و در بخش دیگر ضعیف عمل کند.

۱۱-۳. حساسیت به شرایط مرزی

در مسائل سیالات، شرایط مرزی نقش مهمی در تعیین میدان جریان دارند. تعریف نادرست یا ناسازگار شرایط مرزی در PINN می‌تواند باعث تولید نتایج نامعتبر شود.

۱۱-۴. دشواری در مسائل چندفازی

در جریان‌های چندفازی، سطح مشترک فازها، تغییرات خواص و پدیده‌های پیچیده انتقالی باید در مدل لحاظ شوند. توسعه یک PINN مناسب برای چنین مسائلی به طراحی دقیق معادلات و روش آموزش نیاز دارد.

۱۱-۵. هزینه محاسباتی آموزش

اگرچه PINN در برخی مسائل می‌تواند نیاز به حل‌گرهای متداول را کاهش دهد، آموزش شبکه ممکن است به تعداد زیادی محاسبه مشتق و تکرار بهینه‌سازی نیاز داشته باشد.

بنابراین، نباید فرض کرد که PINN همیشه سریع‌تر از Fluent یا سایر حل‌گرهای CFD است.

۱۲. چه زمانی استفاده از PINN در CFD مناسب است؟

PINN به‌ویژه در مسائلی ارزشمند است که ترکیب داده‌های محدود با قوانین فیزیکی اهمیت دارد.

این جدول یک ارزیابی کلی است و عملکرد واقعی به صورت‌بندی مسئله، کیفیت داده‌ها و معماری شبکه بستگی دارد.

۱۳. جمع‌بندی: آیا PINN آینده شبیه‌سازی CFD است؟

شبکه‌های عصبی آگاه از فیزیک یکی از روش‌های مهم در توسعه نسل جدید ابزارهای محاسباتی مهندسی هستند. این شبکه‌ها با ترکیب داده‌های تجربی یا عددی و معادلات حاکم بر پدیده‌های فیزیکی، امکان حل برخی مسائل مستقیم و معکوس را فراهم می‌کنند. در دینامیک سیالات محاسباتی، PINN می‌تواند برای بازسازی میدان سرعت و فشار، تخمین پارامترهای مجهول، تحلیل انتقال حرارت، شناسایی شرایط مرزی و حل تقریبی معادلات ناویر–استوکس مورد استفاده قرار گیرد. با این حال، این فناوری هنوز محدودیت‌های مهمی دارد. آموزش دشوار، حساسیت به شرایط مرزی، مشکلات مقیاس‌بندی خطا و عملکرد نامطمئن در برخی جریان‌های پیچیده از جمله چالش‌های آن هستند. از نظر کاربرد مهندسی، رویکرد منطقی این است که PINN در کنار نرم‌افزارهایی مانند ANSYS Fluent و OpenFOAM توسعه یابد. برای مثال، می‌توان از فلوئنت برای تولید داده‌های مرجع استفاده کرد و سپس یک شبکه PINN را برای بازسازی میدان جریان یا تخمین پارامترهای مجهول آموزش داد. این ترکیب، به‌خصوص در پروژه‌های پژوهشی و مسائل معکوس مکانیک سیالات، ظرفیت قابل توجهی دارد.