DOI: https://doi.org/10.1016/j.jcp.2026.114978
تاريخ النشر: 2026-04-30
المؤلف: SeungWhan Chung وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
تقدم هذه القسم LaSDI-IT (تحديد ديناميات الفضاء الكامن لتتبع الواجهات)، وهو إطار عمل جديد مدفوع بالبيانات يهدف إلى معالجة التحديات المتعلقة بنمذجة الواجهات الحادة والمتطورة في النمذجة ذات الترتيب المنخفض، خاصة في ظل ظروف البيانات المحدودة واللاخطية المحلية. يدمج LaSDI-IT تعلم الديناميات الكامنة ذات الأبعاد المنخفضة مع آلية ترميز واعية للواجهة، مما يمكّن من تتبع دقيق للأنظمة الفيزيائية ذات الحدود المادية المتحركة. المركز في هذا الإطار هو بنية مشفرة ذاتية معدلة تعيد بناء المجال الفيزيائي ووظيفة مؤشر تحدد المناطق المادية، مما يسهل تتبع تطور الواجهة بشكل فعال دون الحاجة إلى نماذج فيزيائية مفصلة أو تعديل الشبكة. يتم تعلم الديناميات الكامنة من خلال الانحدار الخطي في الفضاء المشفر وتعميمها عبر أنظمة المعلمات باستخدام تداخل العمليات الغاوسية مع أخذ عينات جشعة.
تطبيق LaSDI-IT على ظاهرة انهيار المسام الناتج عن الصدمة في المتفجرات العالية يظهر فعاليته، حيث حقق أخطاء توقع نسبية أقل من 9% عبر معلمات مختلفة. يستعيد الإطار بنجاح مقاييس حاسمة مثل مساحة المسام وتكوين النقاط الساخنة، مما يتطابق مع أداء التدريب الكثيف بينما يستخدم فقط نصف البيانات. تسلط الدراسة الضوء على قيود الشبكات العصبية التقليدية القائمة على المشفرات الذاتية في إعادة بناء الانقطاعات بسبب التحيز الطيفي والتحديات المتعلقة بإدماج الواجهات الحادة في الفضاءات الكامنة السلسة. استراتيجية التعلم ذات الهدفين في LaSDI-IT تخفف من هذه القضايا، مما يوفر توقعات دقيقة للمقاييس الفيزيائية الأساسية ويلتقط ديناميات تكوين النقاط الساخنة. الطبيعة المعيارية والفعالة من حيث البيانات لـ LaSDI-IT تشير إلى إمكانياته لتطبيقات أوسع في الظواهر التي تهيمن عليها الواجهات، مع العمل المستقبلي الذي يهدف إلى تعزيز قدراته لتشمل هندسات معقدة ومتغيرات فيزيائية إضافية.
مقدمة
تناقش مقدمة الورقة التعقيدات المرتبطة بنمذجة الأنظمة الفيزيائية التي تتميز بواجهات حادة ومتحركة، والتي تتواجد في تطبيقات متنوعة مثل انتشار الصدمات في التدفقات القابلة للضغط والانتقالات الطورية. يتم التركيز بشكل خاص على انهيار المسام الناتج عن الصدمة في المتفجرات العالية (HEs)، حيث تعمل المسام كعيوب يمكن أن تؤدي إلى ارتفاعات محلية في درجة الحرارة، أو نقاط ساخنة، مما قد يؤدي إلى الانفجار. يبرز المؤلفون التحديات المتعلقة بنمذجة هذه الظواهر بدقة بسبب الحاجة إلى حلول عددية عالية الدقة يمكنها حل هندسات الواجهة المعقدة، مما يتطلب غالبًا تكاليف حسابية كبيرة، مما يجعلها غير عملية للتطبيقات على نطاق واسع.
لمعالجة هذه التحديات، يقترح المؤلفون إطار عمل جديد مدفوع بالبيانات يسمى تحديد ديناميات الفضاء الكامن لتتبع الواجهات (LaSDI-IT). يبني هذا الإطار على تقنيات النمذجة ذات الترتيب المنخفض (ROM) الحالية، وخاصة الطرق غير التدخلية التي تستفيد من بيانات المحاكاة أو التجارب لتعلم تمثيلات ذات أبعاد منخفضة. يجمع LaSDI-IT بشكل مبتكر بين تقليل الأبعاد القائم على المشفرات الذاتية مع المعادلات التفاضلية العادية (ODEs) لنمذجة الديناميات الكامنة، المصممة خصيصًا لتتبع تطور الواجهة بدقة. يهدف الأسلوب إلى تعزيز إعادة بناء ميزات الواجهة الحادة مع تقليل الحاجة إلى بيانات تدريب واسعة، مما يجعله مناسبًا للسيناريوهات التي تكون فيها البيانات محدودة. تمهد المقدمة الطريق للأقسام التالية، التي ستفصل إعداد المحاكاة، وإطار عمل LaSDI-IT، وأدائه مقارنة بالأساليب التقليدية.
الطرق
تحدد قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. يوضح تصميم التجربة، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة. استخدمت الدراسة إطار عمل كمي، مستفيدة من الأدوات الإحصائية لتحليل البيانات التي تم جمعها من تجارب متنوعة.
تم اختيار المشاركين بناءً على معايير محددة مسبقًا لضمان عينة تمثيلية، وتم جمع البيانات من خلال استبيانات منظمة وتجارب محكومة. شمل التحليل تطبيق اختبارات إحصائية، مثل اختبارات t وANOVA، لتقييم دلالة النتائج. كان هذا الإطار المنهجي الصارم يهدف إلى ضمان موثوقية وصلاحية النتائج، مما يساهم في قوة الاستنتاجات المستخلصة من البحث.
النتائج
في قسم النتائج، يذكر المؤلفون أداء إطار LaSDI في معالجة مشكلة انهيار المسام، مشيرين إلى أن تضمين مصطلح تنظيم $L^2$-norm كان غير ضروري، مما أدى إلى تعيين $\beta_2 = 0$ لجميع التجارب العددية. تم تدريب المشفر الذاتي المقترح حديثًا، المعروف باسم LaSDI-IT، على مجموعة بيانات من $N_p = 4$ نقاط معلمة باستخدام بنية شبكة عصبية متعددة الطبقات (MLP) قياسية. شمل عملية التدريب تقليل دالة خسارة مشفر ذاتي معدل باستخدام مُحسّن ADAM على مدى 10,000 تكرار، مما يظهر تحسينات كبيرة في مقاييس الخسارة مقارنة بالمشفر الذاتي القياسي.
توضح تاريخ خسارة التدريب الموضح في الشكل 6 أن خسارة القناع انخفضت بحوالي أربعة أوامر من حيث الحجم، مما يشير إلى قدرة النموذج المحسنة على تحديد مجال الطاقة العالية (HE) بدقة. بالإضافة إلى ذلك، تقارب خسارة القيمة بشكل أسرع من خسارة إعادة البناء للمشفر الذاتي القياسي. يقدم الشكل 7 المجال الحراري المعاد بناؤه، الذي يظهر خطأً ضئيلاً بالقرب من حدود المسام وتحديدًا واضحًا لمنطقة المسام، خاليًا من الشوائب ذات درجات الحرارة العالية. ينسب المؤلفون الأداء المتفوق لـ LaSDI-IT إلى تركيزه المزدوج على درجة الحرارة وحقول المؤشر، مما يبسط مهمة التصنيف عند كل نقطة شبكة ويقلل من تباين درجة الحرارة داخل منطقة المسام، مما يسهل نتائج الانحدار الأكثر دقة.
المناقشة
في هذا القسم، يناقش المؤلفون المنهجية والنتائج المتعلقة بانهيار المسام الناتج عن الصدمة في المتفجرات العالية (HE) باستخدام كود متعددة الفيزياء Arbitrary Lagrangian-Eulerian ALE3D. تستخدم الدراسة كود توازن حراري كيميائي، Cheetah، لحساب معادلة الحالة (EOS) للمتفجرات العالية غير المتفاعلة، وتستخدم نموذج جونسن-كوك للصلابة المادية. تركز المحاكاة على فقدان الطاقة الميكانيكية وتأثيراتها على زيادات درجة الحرارة، والتي تعتبر حاسمة لفهم تكوين النقاط الساخنة—مؤشرات رئيسية للاشتعال المحتمل. تم تحديد عتبة درجة حرارة تبلغ 800 كلفن لتعريف النقاط الساخنة، والتي تم اختيارها استراتيجيًا للتفريق بين التسخين الناتج عن الصدمة النموذجية وارتفاعات درجة الحرارة المحلية أثناء انهيار المسام.
يقوم المؤلفون بنمذجة ديناميات انهيار المسام من خلال تغيير المعلمات الهندسية، وخاصة اتجاه وطول المحور الرئيسي لمساحة مسام بيضاوية مثالية. تشمل المحاكاة تأثير طائرة ألمنيوم بسماكة 3 ميكرومتر تصطدم بالمتفجرات العالية بسرعة 2 كم/ثانية، مما يولد ضغط صدمة كبير. تؤكد الدراسة على أهمية التقاط تطور مجال درجة الحرارة بدقة بالقرب من المسام، والذي يتم تحقيقه من خلال تحليل فرعي مركز. يتم تقديم إطار تحديد ديناميات الفضاء الكامن (LaSDI) لتحديد المتغيرات الكامنة ذات الأبعاد المنخفضة التي تقارب تطور مجال الحالة عالي الأبعاد. يتضمن هذا الإطار عملية غاوسية للتداخل المعلمي ويستخدم مشفرًا ذاتيًا معدلًا مصممًا لتتبع الواجهات الحادة، مما يضمن إعادة بناء دقيقة لمجال الحالة مع تقليل الشوائب. تظهر النتائج فعالية إطار GPLaSDI، خاصة في السيناريوهات التي تحتوي على بيانات تدريب محدودة، وتبرز الإمكانيات لمزيد من التطبيقات في الأنظمة التي تهيمن عليها الواجهات.
القيود
في هذا القسم، يناقش المؤلفون قيود المشفر الذاتي القياسي ضمن إطار LaSDI التقليدي عند تطبيقه على مشكلة تتبع الواجهة لانهيار المسام الناتج عن الصدمة. تتكون البنية من شبكة عصبية متعددة الطبقات (MLP) تحتوي على ست طبقات مخفية، مصممة لترميز وفك ترميز هندسة المسام. على الرغم من أن عملية التدريب تركزت فقط على خسارة إعادة البناء من خلال تعيين $\beta_1 = 0$ في دالة الخسارة، إلا أن المشفر الذاتي يفشل في تمثيل هندسة المسام بدقة في الفضاء الكامن. تشير نتائج إعادة البناء إلى أنه بينما يتم التقاط مجال درجة الحرارة الكلي بشكل معقول، تظهر اختلافات كبيرة بالقرب من واجهة المسام، مما يؤدي إلى قيم غير فيزيائية في منطقة المسام المعاد بناؤها. تطرح هذه الغموض في تقدير حدود المسام تحديات لتوصيف المواد المتفجرة العالية (HE).
يلاحظ المؤلفون أن المحاولات لتحسين بنية الشبكة—مثل زيادة العمق، العرض، أو دمج طبقات التلافيف—لم تحل القضايا المتعلقة بإعادة بناء الواجهة. التحدي الرئيسي ينشأ من الانقطاعات الحادة عند حدود المسام، والتي تتطلب التقاط طيف واسع من أوضاع التردد المكاني. ومع ذلك، تظهر الشبكات العصبية تحيزًا طيفيًا يفضل المكونات ذات التردد المنخفض، مما يجعل من الصعب تعلم الميزات ذات التردد العالي بدقة مثل التدرجات الحادة أو الانقطاعات. وبالتالي، بينما قد تؤدي التعديلات على الشبكة إلى تحسين الدقة، فإنها تؤدي أيضًا إلى أوقات تدريب أطول وعمليات تحسين أكثر تعقيدًا.
DOI: https://doi.org/10.1016/j.jcp.2026.114978
Publication Date: 2026-04-30
Author(s): SeungWhan Chung et al.
Primary Topic: Model Reduction and Neural Networks
Overview
The section presents LaSDI-IT (Latent Space Dynamics Identification for Interface Tracking), a novel data-driven framework aimed at addressing the challenges of modeling sharp, evolving interfaces in reduced-order modeling, particularly under conditions of limited data and localized nonlinearities. LaSDI-IT integrates low-dimensional latent dynamics learning with an explicit interface-aware encoding mechanism, enabling accurate tracking of physical systems with moving material boundaries. Central to this framework is a modified autoencoder architecture that concurrently reconstructs the physical field and an indicator function delineating material regions, facilitating effective interface evolution tracking without the need for detailed physical models or mesh adaptation. The latent dynamics are learned through linear regression in the encoded space and generalized across parameter regimes using Gaussian process interpolation with greedy sampling.
The application of LaSDI-IT to the phenomenon of shock-induced pore collapse in high explosives demonstrates its efficacy, achieving relative prediction errors below 9% across various parameters. The framework successfully recovers critical metrics such as pore area and hot spot formation, matching the performance of dense training while utilizing only half the data. The study highlights the limitations of traditional neural network-based autoencoders in reconstructing discontinuities due to spectral bias and the challenges of embedding sharp interfaces into smooth latent spaces. LaSDI-IT’s dual-target learning strategy mitigates these issues, providing accurate predictions of essential physical metrics and capturing the dynamics of hot spot formation. The modular and data-efficient nature of LaSDI-IT suggests its potential for broader applications in interface-dominated phenomena, with future work aimed at enhancing its capabilities to include complex geometries and additional physical variables.
Introduction
The introduction of the paper discusses the complexities involved in modeling physical systems characterized by sharp, moving interfaces, which are prevalent in various applications such as shock propagation in compressible flows and phase transitions. A specific focus is given to shock-induced pore collapse in high explosives (HEs), where pores act as defects that can lead to localized temperature spikes, or hot spots, potentially resulting in detonation. The authors highlight the challenges of accurately modeling these phenomena due to the need for high-fidelity numerical solvers that can resolve intricate interface geometries, which often incurs significant computational costs, making them impractical for large-scale applications.
To address these challenges, the authors propose a novel data-driven surrogate modeling framework called Latent Space Dynamics Identification for Interface Tracking (LaSDI-IT). This framework builds upon existing reduced-order modeling (ROM) techniques, particularly non-intrusive methods that leverage simulation or experimental data to learn low-dimensional representations. LaSDI-IT innovatively combines autoencoder-based dimensionality reduction with ordinary differential equations (ODEs) to model latent dynamics, specifically designed to track interface evolution accurately. The method aims to enhance the reconstruction of sharp interface features while minimizing the need for extensive training data, making it suitable for scenarios where data is limited. The introduction sets the stage for subsequent sections, which will detail the simulation setup, the LaSDI-IT framework, and its performance compared to traditional approaches.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods utilized. The study employed a quantitative framework, utilizing statistical tools to analyze the data gathered from various experiments.
The participants were selected based on predetermined criteria to ensure a representative sample, and data were collected through structured surveys and controlled experiments. The analysis involved the application of statistical tests, such as t-tests and ANOVA, to evaluate the significance of the results. This rigorous methodological framework aimed to ensure the reliability and validity of the findings, ultimately contributing to the robustness of the conclusions drawn from the research.
Results
In the results section, the authors report on the performance of the LaSDI framework in addressing the pore collapse problem, noting that the inclusion of an $L^2$-norm regularization term was deemed unnecessary, leading to the setting of $\beta_2 = 0$ for all numerical experiments. The newly proposed autoencoder, referred to as LaSDI-IT, was trained on a dataset of $N_p = 4$ parameter points using a standard multi-layer perceptron (MLP) architecture. The training process involved minimizing a modified autoencoder loss function with the ADAM optimizer over 10,000 iterations, demonstrating significant improvements in loss metrics compared to the standard autoencoder.
The training loss history illustrated in Figure 6 reveals that the mask loss decreased by approximately four orders of magnitude, indicating the model’s enhanced capability to accurately identify the high-energy (HE) domain. Additionally, the value loss converged more rapidly than the reconstruction loss of the standard autoencoder. Figure 7 presents the reconstructed temperature field, which shows minimal error near the pore boundary and a clear delineation of the pore region, devoid of spurious high-temperature artifacts. The authors attribute the superior performance of LaSDI-IT to its dual focus on temperature and indicator fields, which simplifies the classification task at each grid point and reduces temperature variance within the pore region, thereby facilitating more accurate regression outcomes.
Discussion
In this section, the authors discuss the methodology and findings related to shock-induced pore collapse in high explosives (HE) using the Arbitrary Lagrangian-Eulerian multiphysics code ALE3D. The study employs a thermochemical equilibrium code, Cheetah, to compute the equation of state (EOS) for unreacted HE, and utilizes the Johnson-Cook constitutive model for material strength. The simulations focus on mechanical energy dissipation and its effects on temperature increases, which are critical for understanding hot spot formation—key indicators for potential ignition. A temperature threshold of 800 K is established to define hot spots, which is strategically chosen to differentiate between typical shock-induced heating and localized temperature spikes during pore collapse.
The authors model pore collapse dynamics by varying geometric parameters, specifically the orientation and major axis length of an idealized oval pore. The simulations involve a 3 µm thick aluminum flyer impacting HE at 2 km/s, generating significant shock pressure. The study emphasizes the importance of accurately capturing the temperature field evolution near the pore, which is achieved through a focused subdomain analysis. The Latent Space Dynamics Identification (LaSDI) framework is introduced to identify low-dimensional latent variables that approximate the high-dimensional state field evolution. This framework incorporates a Gaussian process for parametric interpolation and employs a revised autoencoder designed to track sharp interfaces, ensuring accurate reconstruction of the state field while minimizing artifacts. The findings demonstrate the effectiveness of the GPLaSDI framework, particularly in scenarios with limited training data, and highlight the potential for further applications in interface-dominated systems.
Limitations
In this section, the authors discuss the limitations of the standard autoencoder within the vanilla LaSDI framework when applied to the interface-tracking problem of shock-induced pore collapse. The architecture consists of a multi-layer perceptron (MLP) with six hidden layers, designed to encode and decode the geometry of the pore. Despite the training process focusing solely on reconstruction loss by setting $\beta_1 = 0$ in the loss function, the autoencoder fails to accurately represent the pore’s geometry in the latent space. The reconstruction results indicate that while the overall temperature field is captured reasonably well, significant discrepancies arise near the pore interface, leading to non-physical values in the reconstructed pore region. This ambiguity in pore boundary estimation poses challenges for high-explosive (HE) material characterization.
The authors note that attempts to enhance the network’s architecture—such as increasing depth, width, or incorporating convolutional layers—did not resolve the issues related to interface reconstruction. The primary challenge stems from the sharp discontinuities at the pore boundary, which require capturing a broad spectrum of spatial wavenumber modes. However, neural networks exhibit a spectral bias that favors low-frequency components, making it difficult to accurately learn high-frequency features like steep gradients or discontinuities. Consequently, while modifications to the network may improve resolution, they also lead to longer training times and more complex optimization processes.