DOI: https://doi.org/10.1017/jfm.2025.11033
تاريخ النشر: 2026-01-10
المؤلف: Hua-Lin Wu وآخرون
الموضوع الرئيسي: تقنيات معالجة الصور المتقدمة
نظرة عامة
في هذه الدراسة، يحقق المؤلفون في إعادة بناء مجالات التدفق المضطرب باستخدام بيانات المسار من الوكلاء اللاجرانجيين الذين يهاجرون بنشاط. يقدمون نموذج تعلم عميق يسمى track-to-flow (T2F)، الذي يستخدم محول رؤية كمشفر لاستخراج الميزات الزمانية والمكانية من مسارات الوكلاء الفرديين، بينما تعمل شبكة عصبية تلافيفية كمفكك لإعادة بناء مجال التدفق. لتعزيز التناسق الفيزيائي للنموذج، يطورون متغيرًا يسمى T2F+PINN، الذي يدمج دالة خسارة مستندة إلى الفيزياء بناءً على مبادئ الشبكات العصبية المستندة إلى الفيزياء (PINNs).
تُقيَّم النماذج في البداية في تدفق خلفي لأسطوانة لامينية عند عدد رينولدز 800، مما يُظهر أن T2F يحقق دقة إعادة بناء السرعة مقارنة بالطرق الحالية. يُظهر نموذج T2F+PINN انخفاضًا في الخطأ الطبيعي لإعادة بناء الدوران. يكشف التطبيق الإضافي لكلا النموذجين في الحمل الحراري المضطرب لريليه-بِنارد عند عدد رينولدز \(10^8\) وعدد براندتل 0.71 أن T2F يعيد بناء مجالات السرعة ودرجة الحرارة بدقة، بينما يعزز T2F+PINN بشكل كبير دقة الكميات الفيزيائية المتعلقة بالتدرجات، محققًا تحسينًا يصل إلى 60% في إعادة بناء تدرجات درجة الحرارة والدوران. بشكل عام، يتفوق نموذج T2F في إعادة بناء المتغيرات الأساسية للتدفق، بينما يُعتبر T2F+PINN مفيدًا للكميات المتعلقة بالتدرجات، مما يبرز إمكانيات هذه النماذج لإعادة بناء التدفق بدقة من مسارات لاجرانجية فردية.
مقدمة
تسلط المقدمة الضوء على أهمية مجالات التدفق الزمانية والمكانية عالية الدقة لمجموعة متنوعة من التطبيقات، بما في ذلك الملاحة الذاتية للمركبات الجوية وتحت الماء، وهجرة السباحين المجهريين، ورصد البيئة. تعتبر المعرفة الدقيقة بمجالات التدفق ضرورية لتنفيذ خوارزميات تخطيط المسار الأمثل، والتي يمكن أن تعزز كفاءة الطاقة والقدرة التشغيلية. ومع ذلك، فإن القياسات المباشرة لمجالات التدفق الإيولري غالبًا ما تكون غير عملية بسبب تغطية المستشعر المحدودة، مما يستلزم استخدام مسارات لاجرانجية فردية تم جمعها بواسطة مستشعرات متنقلة. وهذا يمثل تحديًا لإعادة بناء مجالات التدفق، حيث تتطلب الطرق التقليدية بيانات كثيفة عادةً ما تكون غير متاحة في السيناريوهات الواقعية.
لمعالجة هذا التحدي، يقترح البحث نموذج تعلم عميق يسمى track-to-flow (T2F) يقوم بإعادة بناء مجالات التدفق من المسارات اللاجرانجية. يستخدم نموذج T2F محول رؤية (ViT) لتحليل الأنماط الزمانية والمكانية في بيانات المسار، مقترنًا بشبكة عصبية تلافيفية (CNN) لتوليد مجالات التدفق. يتم دمج دالة خسارة مستندة إلى الفيزياء لضمان التناسق الفيزيائي، خاصة بالنسبة للكميات المتعلقة بالتدرجات، التي تكون حساسة لأخطاء إعادة البناء. تتناول الأقسام التالية من الورقة نموذج T2F، وتتحقق من أدائه في تدفق خلفي لأسطوانة لامينية، وتوسع تطبيقه إلى الحمل الحراري المضطرب لريليه-بِنارد، مما يبرز إمكانيته في تحديات ديناميكا السوائل في العالم الحقيقي.
الطرق
في هذا القسم، يصف المؤلفون المنهجية المستخدمة في نموذج T2F، الذي يدمج التعلم المعزز والوكلاء اللاجرانجيين لمهام الهجرة من نقطة إلى نقطة في بيئة التدفق. في البداية، يتم تدريب الوكلاء اللاجرانجيين ذاتي الدفع باستخدام التعلم المعزز للتنقل وتوليد المسارات، التي تعمل كبيانات تدريب أساسية. بعد ذلك، يستخدم نموذج T2F معلومات المسار من هؤلاء الوكلاء لحساب وإخراج مجال التدفق المحيط بالمسارات، مما يربط سلوك الوكيل بالديناميات الأساسية للتدفق. يجمع هذا النهج بشكل فعال بين نمذجة الوكلاء وتحليل مجالات التدفق لتعزيز فهم أنماط الهجرة في البيئات السائلة.
المناقشة
في هذه الدراسة، يحقق المؤلفون في هجرة الوكلاء ذاتي الدفع باستخدام نموذج يجمع بين ديناميكا السوائل والتعلم المعزز (RL) لتحسين مسارات الوكلاء. يستخدم النموذج، الذي يحاكي الطائرات بدون طيار (UAVs) أو المركبات تحت الماء الذاتية (AUVs)، إطارًا حركيًا حيث يتم تحديد حركة الوكيل بواسطة سرعته الذاتية والديناميات السائلة المحلية. يستخدم نهج التعلم المعزز خوارزمية ممثل ناعم-ناقد لتعظيم المكافآت التراكمية بناءً على كفاءة تنقل الوكيل وقربه من المواقع المستهدفة، مما يُظهر تحسينات كبيرة في كفاءة التدريب مقارنة بالدراسات السابقة.
لتحسين إعادة بناء مجال التدفق من مسارات هؤلاء الوكلاء، يقدم المؤلفون نموذج T2F للتعلم العميق، الذي يستخدم بنية مشفر-مفكك تجمع بين محول رؤية (ViT) وشبكة عصبية تلافيفية (CNN). يلتقط هذا النموذج بشكل فعال كل من الاعتماديات القصيرة والطويلة في البيانات، مما يسهل إعادة بناء مجالات التدفق المعقدة. تتضمن الدراسة أيضًا دالة خسارة مستندة إلى الفيزياء، مستوحاة من الشبكات العصبية المستندة إلى الفيزياء (PINNs)، التي تدمج القوانين الفيزيائية الحاكمة في عملية التدريب. لا يحسن هذا النهج فقط دقة مجالات التدفق المعاد بناؤها ولكن أيضًا يعزز دقة الكميات المعتمدة على التدرجات، مثل الدوران، من خلال ضمان التزام النموذج بالقيود الفيزيائية أثناء التدريب. تشير النتائج إلى أنه بينما يتفوق نموذج T2F القائم على البيانات البحتة في إعادة بناء المتغيرات الأساسية للتدفق، فإن نموذج T2F+PINN يتفوق بشكل كبير في التقاط الميزات المتعلقة بالتدرجات، مما يبرز أهمية دمج المبادئ الفيزيائية في أطر التعلم الآلي لديناميكا السوائل.
DOI: https://doi.org/10.1017/jfm.2025.11033
Publication Date: 2026-01-10
Author(s): Hua-Lin Wu et al.
Primary Topic: Advanced Image Processing Techniques
Overview
In this study, the authors investigate the reconstruction of turbulent flow fields using trajectory data from actively migrating Lagrangian agents. They introduce a deep-learning model named track-to-flow (T2F), which utilizes a vision transformer as an encoder to extract spatiotemporal features from individual agent trajectories, while a convolutional neural network serves as the decoder for flow field reconstruction. To enhance the model’s physical consistency, they develop a variant called T2F+PINN, which incorporates a physics-informed loss function based on the principles of physics-informed neural networks (PINNs).
The models are initially evaluated in a laminar cylinder wake flow at a Reynolds number of 800, demonstrating that T2F achieves velocity reconstruction accuracy comparable to existing methods. The T2F+PINN model shows a reduction in normalized error for vorticity reconstruction. Further application of both models in turbulent Rayleigh-Bénard convection at a Rayleigh number of \(10^8\) and a Prandtl number of 0.71 reveals that T2F accurately reconstructs velocity and temperature fields, while T2F+PINN significantly enhances the accuracy of gradient-related physical quantities, achieving up to a 60% improvement in reconstruction of temperature gradients and vorticity. Overall, the T2F model excels in reconstructing primitive flow variables, whereas T2F+PINN is advantageous for gradient-related quantities, highlighting the potential of these models for accurate flow reconstruction from single Lagrangian trajectories.
Introduction
The introduction highlights the significance of high-resolution spatiotemporal flow fields for various applications, including autonomous navigation of aerial and underwater vehicles, migration of microswimmers, and environmental monitoring. Accurate flow field knowledge is crucial for implementing optimal path planning algorithms, which can enhance energy efficiency and operational endurance. However, direct measurements of Eulerian flow fields are often impractical due to limited sensor coverage, necessitating the use of single Lagrangian trajectories collected by mobile sensors. This presents a challenge for reconstructing flow fields, as traditional methods require dense data that are typically unavailable in real-world scenarios.
To address this challenge, the paper proposes a deep-learning model named track-to-flow (T2F) that reconstructs flow fields from Lagrangian trajectories. The T2F model employs a vision transformer (ViT) to analyze spatiotemporal patterns in the trajectory data, coupled with a convolutional neural network (CNN) for generating flow fields. A physics-informed loss function is integrated to ensure physical consistency, particularly for gradient-related quantities, which are sensitive to reconstruction errors. The subsequent sections of the paper detail the T2F model, validate its performance in a laminar cylinder wake flow, and extend its application to turbulent Rayleigh-Bénard convection, underscoring its potential for real-world fluid dynamics challenges.
Methods
In this section, the authors describe the methodology employed in the T2F model, which integrates reinforcement learning and Lagrangian agents for point-to-point migration tasks in a flow environment. Initially, self-propelling Lagrangian agents are trained using reinforcement learning to navigate and generate trajectories, which serve as the foundational training data. Following this, the T2F model utilizes the trajectory information from these agents to compute and output the flow field surrounding the trajectories, thereby linking agent behavior to the underlying flow dynamics. This approach effectively combines agent-based modeling with flow field analysis to enhance understanding of migration patterns in fluid environments.
Discussion
In this study, the authors investigate the migration of self-propelling agents using a model that combines fluid dynamics with reinforcement learning (RL) to optimize agent trajectories. The model, which simulates unmanned aerial vehicles (UAVs) or autonomous underwater vehicles (AUVs), employs a kinematic framework where the agent’s movement is dictated by its self-propelling velocity and local fluid dynamics. The RL approach utilizes a soft actor-critic algorithm to maximize cumulative rewards based on the agent’s navigation efficiency and proximity to target locations, demonstrating significant improvements in training efficiency compared to previous studies.
To enhance flow field reconstruction from the trajectories of these agents, the authors introduce the T2F deep-learning model, which employs an encoder-decoder architecture combining a Vision Transformer (ViT) and a convolutional neural network (CNN). This model effectively captures both short- and long-range dependencies in the data, facilitating the reconstruction of complex flow fields. The study further incorporates a physics-informed loss function, inspired by physics-informed neural networks (PINNs), which integrates governing physical laws into the training process. This approach not only improves the accuracy of reconstructed flow fields but also enhances the fidelity of gradient-based quantities, such as vorticity, by ensuring that the model adheres to physical constraints during training. The results indicate that while the purely data-driven T2F model excels in reconstructing primary flow variables, the T2F+PINN model significantly outperforms it in capturing gradient-related features, underscoring the importance of incorporating physical principles in machine learning frameworks for fluid dynamics.