DOI: https://doi.org/10.1103/k48m-pmjz
تاريخ النشر: 2026-06-09
المؤلف: Rui Tang وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
تقدم هذه البحث إطار عمل عصبي مستنير بالفيزياء مصمم لإعادة بناء تفاعلات السوائل والهياكل غير المستقرة (FSI) باستخدام ملاحظات نادرة من تدفق السوائل ذات الطور الواحد. يدمج الأسلوب نموذج سطح موضعي مع تمثيلات عصبية لكل من حالات السوائل والمواد الصلبة، ملتزماً بالمعادلات الحاكمة لديناميات السوائل وظروف الواجهة. من الجدير بالذكر أن النهج يستخدم مسارات جزيئات لاغرانجيان خارج الجسم وظروف حدود الجدران المتحركة لاستنتاج مجالات التدفق وحركات الهياكل دون الحاجة إلى نموذج تكويني للصلب أو قياسات مباشرة لمواقع السطح، على الرغم من أن مثل هذه البيانات يمكن أن تعزز الأداء. تم التحقق من صحة الإطار من خلال محاكاة عددية على ثلاثة معايير FSI نموذجية: الاهتزازات الناتجة عن الدوامة لصفحة متذبذبة ثنائية الأبعاد، وانتشار موجات النبض في أنبوب مرن ثلاثي الأبعاد، وتدفق حول سمكة سباحة، مما يظهر إعادة بناء دقيقة حتى في المناطق ذات البيانات النادرة.
تشير النتائج إلى أن الطريقة تستعيد بفعالية الميزات الرئيسية لتدفق السوائل وتشوهات الهياكل، مع حدوث أكبر التباينات بالقرب من الحدود المتحركة ومناطق ندرة البيانات الحادة. أظهرت دراسة تقليم الوضع أن دقة إعادة البناء تتحسن مع تضمين أوضاع التشوه السائدة، مع إظهار حساسية محدودة للإفراط في المعلمات، وهو ما يعد ميزة في السياقات التجريبية حيث تكون قاعدة الأوضاع المثلى غير معروفة. بالإضافة إلى ذلك، أثبت الإطار أنه مقاوم لمستويات متوسطة إلى عالية من الضوضاء في بيانات تتبع الجزيئات، مما يسمح بتحسين مشترك لمسارات الجزيئات وحالات التدفق/الهيكل. كما أكدت التحليلات على تأثير مخططات أخذ العينات على استقرار التدريب، مما يبرز ضرورة تخصيص دفعات زمنية ومكانية متسقة في المجالات العابرة. يوسع هذا العمل قدرات الشبكات العصبية المستنيرة بالفيزياء لتحليل FSI، خاصة عند مواجهة قياسات تدفق نادرة وبيانات هيكلية غير متزامنة أو غائبة.
مقدمة
تناقش مقدمة ورقة البحث تفاعلات السوائل والهياكل (FSI)، والتي تحدث عندما تغمر الهياكل المرنة في سوائل جارية أو تحتوي عليها. تعتبر هذه التفاعلات حاسمة في تطبيقات متنوعة، بما في ذلك الديناميكا الهوائية والهياكل البحرية والأنظمة القلبية الوعائية. تواجه الطرق الحسابية التقليدية لمحاكاة FSI، مثل طرق لاغرانجيان-أويلر العشوائية (ALE) وطرق مجموعة المستويات، قيودًا عند التعامل مع السيناريوهات الواقعية التي تتميز بظروف حدود غير مؤكدة وخصائص مواد. يبرز المؤلفون التحدي المتمثل في التوفيق بين المحاكاة عالية الدقة والبيانات التجريبية النادرة والصاخبة، التي غالبًا ما تلتقط طورًا واحدًا فقط (عادةً السائل).
لمعالجة هذه التحديات، يقترح المؤلفون طريقة دمج البيانات (DA) التي تعيد بناء كل من مجال التدفق والاستجابة الهيكلية باستخدام قياسات نادرة خارج الجسم للسائل، دون الحاجة إلى نموذج تكويني للصلب أو قياسات هيكلية مباشرة. يدمج هذا النهج المعادلات الحاكمة للسائل مع الملاحظات الجزئية لتحقيق إعادة بناء متسقة فيزيائيًا، خاصة في الواجهات المعقدة أو المواد البيولوجية. تستعرض الورقة أيضًا الخوارزميات الحالية لإعادة بناء FSI من بيانات ذات طور واحد، مشيرة إلى نقاط قوتها وقيودها، وتؤكد على الحاجة إلى خوارزميات فعالة يمكن أن تستفيد من قياسات الطور الواحد لاستنتاج حركيات الحدود، ومعلمات المواد، ومجالات التدفق الكثيفة. تهدف إطار DA المقترح إلى تقليل التكاليف والتعقيد التجريبي مع تعزيز دقة إعادة بناء FSI.
النتائج
في هذا القسم، يقيم المؤلفون أداء إطار إعادة بناء تفاعلات الهيكل النهائي (FSI) عبر معايير مختلفة. تستخدم عملية إعادة البناء مسارات الجزيئات وقاعدة موضعية محددة، مع توضيح منهجيات مفصلة في الأقسام السابقة. تشير النتائج إلى أن الإطار يقوم بفعالية بتحسين مسارات الجزيئات في ظل وجود عدم اليقين في التوطين، مما يظهر نهجًا مستنيرًا بالفيزياء لتتبع الجزيئات. مع زيادة مستويات الضوضاء، تظهر بيانات المسار الخام أنماط سرعة غير منتظمة؛ ومع ذلك، بعد التحسين، تتماشى المسارات بشكل أقرب مع التدفق المستنتج، خاصة بالقرب من الحدود المتحركة حيث تكون الأخطاء أكثر وضوحًا.
تكشف تحليل أخطاء إعادة البناء أن أخطاء المسار، ومجالات التدفق، وحركة الهيكل تقل بشكل كبير بعد التحسين المشترك. على وجه التحديد، تعاني حالة الأنبوب المرن من أعلى الأخطاء الخام بسبب مقياس السرعة المميز الصغير، مما يزيد من الحساسية لعدم اليقين في التوطين. تظل أخطاء إعادة بناء التدفق مستقرة نسبيًا عبر مستويات الضوضاء، حيث تظهر حالة اللوح ثنائي الأبعاد تباينًا طفيفًا (2.9% إلى 3.1%)، بينما تشهد حالة الأنبوب المرن ثلاثي الأبعاد زيادة أكثر وضوحًا (4.2% إلى 6.7%). تظهر أخطاء الضغط، التي تكون عمومًا أعلى من أخطاء السرعة، أيضًا نموًا معتدلًا، مع زيادات ملحوظة في حالة السمكة، تُعزى إلى عدم الدقة المحلية بالقرب من زعنفة الذيل. بشكل عام، تؤكد النتائج على قوة إطار FSI في إدارة أخطاء التوطين مع الحفاظ على الدقة في إعادة بناء التدفق والضغط.
المناقشة
تناقش ورقة البحث إطار دمج البيانات (DA) لإعادة بناء تفاعلات السوائل والهياكل (FSI) باستخدام الشبكات العصبية، من خلال طريقة تُسمى الانعكاس العصبي. الهدف الرئيسي هو اشتقاق سرعة السائل، ومجالات الضغط، والاستجابات الهيكلية من بيانات تتبع الجزيئات (LPT). يستخدم الإطار شبكات عصبية مستنيرة بالفيزياء (PINNs) متوازية لكل من الطور السائل والصلب، مع دمج قيود حركية لضمان تمثيل دقيق لحركة الجزيئات. يتم تدريب النماذج بشكل جماعي من خلال تقليل دالة خسارة مركبة قائمة على الفيزياء توازن بين الدقة للبيانات والالتزام بالمعادلات الحاكمة للسائل وظروف الواجهة.
يتكون الإطار من ثلاثة مكونات رئيسية: نموذج تدفق عصبي، نموذج سطح عصبي موضعي، ونماذج مسار الجزيئات المقيدة بالحركيات. يمثل نموذج السائل، الذي يتم تمثيله كنموذج PINN سائل، المدخلات الزمنية والمكانية إلى كميات التدفق، بينما يلتقط نموذج السطح ديناميات واجهة السائل-الهيكل من خلال تمثيل موضعي. تضمن نماذج مسار الجزيئات أن تتوافق سرعات الجزيئات المتوقعة مع قيود النقل، وبالتالي تربط ديناميات الجزيئات بحالات السائل والهيكل. تدمج دالة الخسارة مصطلحات تفرض المعادلات الحاكمة، وظروف الحدود، ودقة البيانات، مما يسمح بإعادة بناء قوية لحالات التدفق والهيكل مع استيعاب عدم اليقين في قياسات موضع الجزيئات. يتم التحقق من صحة المنهجية من خلال سيناريوهات FSI متنوعة، مما يظهر فعاليتها في التقاط التفاعلات المعقدة في ديناميات السوائل.
DOI: https://doi.org/10.1103/k48m-pmjz
Publication Date: 2026-06-09
Author(s): Rui Tang et al.
Primary Topic: Model Reduction and Neural Networks
Overview
This research presents a novel physics-informed neural framework designed to reconstruct unsteady fluid-structure interactions (FSI) using sparse, single-phase observations of fluid flow. The method integrates a modal surface model with neural representations of both fluid and solid states, adhering to the governing equations of fluid dynamics and interface conditions. Notably, the approach utilizes off-body Lagrangian particle tracks and a moving-wall boundary condition to infer flow fields and structural motions without necessitating a constitutive model for the solid or direct measurements of surface positions, although such data can enhance performance. The framework was validated through numerical simulations on three canonical FSI benchmarks: vortex-induced oscillations of a 2D flapping plate, pulse-wave propagation in a 3D flexible pipe, and flow around a swimming fish, demonstrating accurate reconstructions even in data-sparse regions.
The findings indicate that the method effectively recovers dominant flow features and structural deformations, with the most significant discrepancies occurring near moving boundaries and areas of acute data sparsity. A modal truncation study revealed that reconstruction accuracy improves with the inclusion of dominant deformation modes, showing limited sensitivity to over-parameterization, which is advantageous in experimental contexts where the optimal modal basis is unknown. Additionally, the framework proved resilient to moderate to high levels of noise in particle tracking data, allowing for joint refinement of particle trajectories and flow/structure states. The analysis also emphasized the impact of sampling schemes on training stability, highlighting the necessity of consistent spatial and temporal batch allocation in transient domains. This work extends the capabilities of physics-informed neural networks for FSI analysis, particularly when faced with sparse flow measurements and asynchronous or absent structural data.
Introduction
The introduction of the research paper discusses fluid-structure interactions (FSI), which occur when flexible structures are immersed in or contain flowing fluids. These interactions are critical in various applications, including aerodynamics, offshore structures, and cardiovascular systems. Traditional computational methods for simulating FSI, such as arbitrary Lagrangian-Eulerian (ALE) and level set methods, have limitations when dealing with real-world scenarios characterized by uncertain boundary conditions and material properties. The authors highlight the challenge of reconciling high-fidelity simulations with sparse and noisy experimental data, which often only captures one phase (typically the fluid).
To address these challenges, the authors propose a data assimilation (DA) method that reconstructs both the flow field and structural response using sparse, off-body measurements of the fluid, without necessitating a constitutive model for the solid or direct structural measurements. This approach integrates fluid governing equations with partial observations to yield physically consistent reconstructions, particularly in complex interfaces or biological materials. The paper also reviews existing algorithms for FSI reconstruction from single-phase data, noting their strengths and limitations, and emphasizes the need for effective algorithms that can leverage single-phase measurements to infer boundary kinematics, material parameters, and dense flow fields. The proposed DA framework aims to reduce experimental costs and complexity while enhancing the accuracy of FSI reconstructions.
Results
In this section, the authors evaluate the performance of the Finite Structure Interaction (FSI) reconstruction framework across various benchmarks. The reconstruction process utilizes particle tracks and a defined modal basis, with detailed methodologies outlined in preceding sections. The results indicate that the framework effectively refines particle trajectories in the presence of localization uncertainties, demonstrating a physics-informed approach to particle tracking. As noise levels increase, raw track data exhibit erratic velocity patterns; however, post-optimization, the trajectories align more closely with the inferred flow, particularly near moving boundaries where errors are most pronounced.
The analysis of reconstruction errors reveals that track errors, flow fields, and structural motion are significantly reduced following joint optimization. Specifically, the flexi-pipe case experiences the highest raw errors due to its small characteristic velocity scale, which amplifies sensitivity to localization uncertainty. Flow reconstruction errors remain relatively stable across noise levels, with the 2D plate case showing minimal variation (2.9% to 3.1%) and the 3D flexi-pipe case experiencing a more pronounced increase (4.2% to 6.7%). Pressure errors, generally higher than velocity errors, also exhibit moderate growth, with notable increases observed in the fish case, attributed to localized inaccuracies near the tail fin. Overall, the findings underscore the robustness of the FSI framework in managing localization errors while maintaining fidelity in flow and pressure reconstructions.
Discussion
The research paper discusses a data assimilation (DA) framework for reconstructing fluid-structure interactions (FSI) using neural networks, specifically through a method termed neural inversion. The primary goal is to derive the fluid velocity, pressure fields, and structural responses from particle tracking data (LPT). The framework employs parallel physics-informed neural networks (PINNs) for both fluid and solid phases, integrating kinematic constraints to ensure accurate particle motion representation. The models are trained collectively by minimizing a composite physics-based loss function that balances fidelity to the data with adherence to governing fluid equations and interface conditions.
The framework comprises three key components: a neural flow model, a neural-modal surface model, and kinematics-constrained particle track models. The fluid model, represented as a fluid PINN, maps space-time inputs to flow quantities, while the surface model captures the fluid-structure interface dynamics through a modal representation. The particle track models ensure that the predicted particle velocities conform to the advection constraints, thereby linking the particle dynamics to the fluid and structural states. The loss function integrates terms that enforce the governing equations, boundary conditions, and data fidelity, allowing for robust reconstruction of the flow and structural states while accommodating uncertainties in particle position measurements. The methodology is validated through various FSI scenarios, demonstrating its effectiveness in capturing complex interactions in fluid dynamics.