DOI: https://doi.org/10.1038/s41598-026-35369-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41513741
تاريخ النشر: 2026-01-09
المؤلف: Yusuke Mizuno وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
يتناول هذا القسم تطبيق الشبكات العصبية المستنيرة بالفيزياء (PINNs) في تقدير الظواهر غير الخطية في ديناميكا السوائل، مع التركيز بشكل خاص على تقدير موجات الصدمة المستمدة من معادلات أويلر ونافير-ستوكس القابلة للانضغاط. تسلط الدراسة الضوء على التحديات المرتبطة باستخدام الشبكات العصبية لتقريب الانقطاعات الحادة، مثل تلك الموجودة في موجات الصدمة. لمعالجة هذه التحديات، استكشف المؤلفون تأثير اختيار متغيرات مخرجات الشبكة العصبية المحددة على دقة تقديرات موجات الصدمة.
في نموذج PINN المقترح، يتم حساب دالة الخسارة ليس فقط من معادلات أويلر ولكن أيضًا تتضمن معادلة الحالة (EOS). تشمل متغيرات المخرجات المختارة للشبكة العصبية الكثافة، والسرعة، ودرجة الحرارة، والضغط، مما يضمن أن عدد المعادلات المستخدمة لحساب دالة خسارة PDE يتماشى مع عدد المتغيرات المجهولة. تشير النتائج إلى وجود علاقة كبيرة بين اختيار متغيرات المخرجات ودقة تقديرات موجات الصدمة، مما يسهم في تطوير PINN أكثر فعالية قادر على معالجة مشاكل موجات الصدمة دون الاعتماد على معلومات سابقة أو بيانات تجريبية.
مقدمة
تناقش مقدمة ورقة البحث أهمية ديناميكا السوائل الحاسوبية (CFD) كطريقة عددية لتحليل ديناميكا السوائل من خلال حل المعادلات التفاضلية الجزئية الحاكمة (PDEs)، مثل معادلات أويلر ونافير-ستوكس. هذه المعادلات نمذجة ظواهر معقدة وغير خطية في التدفقات القابلة للانضغاط، وعلى الرغم من تطوير مخططات عددية مختلفة لحساب الحدود غير اللزجة، فإن محاكاة CFD التقليدية غالبًا ما تتطلب تحسين الأساليب العددية وظروف الحدود لضمان الدقة. أدى هذا القيد إلى استكشاف طرق نمذجة بديلة، وخاصة دمج تقنيات التعلم الآلي.
تسلط الورقة الضوء على ظهور نماذج بديلة، بما في ذلك الشبكات العصبية المستنيرة بالفيزياء (PINNs)، التي تستفيد من نتائج CFD كبيانات تدريب لتقريب الظواهر الفيزيائية. تتميز PINNs بشكل خاص بقدرتها على تضمين القيود الفيزيائية في دالة الخسارة، مما يسمح لها بتقدير الكميات الفيزيائية المجهولة حتى مع وجود بيانات محدودة. ومع ذلك، لا تزال هناك تحديات في حل التدفقات القابلة للانضغاط بدقة مع الانقطاعات، مثل موجات الصدمة، بسبب مشاكل مع المشتقات المكانية. تستعرض المقدمة التعديلات المختلفة لـ PINNs التي تهدف إلى تحسين التقاط الانقطاعات، بما في ذلك دمج حدود الانتشار، وتجمع نقاط التدريب حول الانقطاعات، واستخدام أوزان ديناميكية في دالة الخسارة. تُظهر هذه التقدمات إمكانيات PINNs لتحقيق نتائج قابلة للمقارنة مع طرق CFD التقليدية مع معالجة التعقيدات المرتبطة بالتدفقات المنقطعة.
النتائج
يقدم قسم النتائج تقييمًا شاملاً لأداء الشبكات العصبية المستنيرة بالفيزياء (PINNs) في نمذجة مشاكل التدفق القابل للانضغاط، مع التركيز بشكل خاص على سيناريو أنبوب الصدمة. توضح الشكل 4 تطور مكونات الخسارة المختلفة على مر العصور، بما في ذلك الخسارة الإجمالية، وخسارة PDE، وخسارة ظروف الحدود، وخسارة الظروف الأولية. يتم تقييم دقة النماذج المدربة من خلال مقارنة توقعاتها للكثافة، والسرعة، ودرجة الحرارة، والضغط مع النتائج النظرية في نقطتين زمنيتين، $t=0$ و $t=1.6$، كما هو موضح في الأشكال 5 و 6. من الجدير بالذكر أن النماذج المسمى Std و RUP و RUT تظهر اختلافات بالقرب من الانقطاعات الأولية بسبب عدم كفاية تقارب خسارة الظروف الأولية، بينما يظهر RUTP أداءً متفوقًا في التقاط الظواهر الفيزيائية، على الرغم من وجود بعض الأخطاء بالقرب من موجات الصدمة.
يتم حساب متوسط خطأ النسبة، $\delta_{\text{norm}}$، لتQuantify أداء النماذج مقابل المعايير النظرية، مما يكشف أن تضمين القيود المتعلقة بالإنتروبيا في دالة الخسارة أمر حاسم لضمان القبول الفيزيائي في التدفقات المنقطعة. يسلط الشكل 12 الضوء على توزيع الإنتروبيا المحددة عند $t=1.6$، حيث يتميز RUTP بتقديراته الدقيقة، خاصة في المناطق البعيدة عن الانقطاعات. يُعزى قدرة النموذج على تلبية قيود حاكمة متعددة – ثلاث معادلات PDE ومعادلة حالة واحدة (EOS) – إلى متغيراته الأربعة، التي توفر درجات الحرية اللازمة. بالمقابل، تكافح RUP و RUT، مع وجود ثلاثة مخرجات فقط، للحفاظ على الاتساق الديناميكي الحراري وتمثيل الحفاظ على الطاقة بدقة. تؤكد النتائج على أهمية دمج EOS لتعزيز استقرار النموذج والاتساق الفيزيائي، بينما تشير أيضًا إلى أن المزيد من الاستكشاف النظري مطلوب لفهم الآليات الأساسية التي تدفع هذه التحسينات بالكامل.
نقاش
في قسم النقاش من الورقة، يقدم Ferrer-Sánchez وآخرون نموذج الشبكات العصبية المستنيرة بالفيزياء المعروفة باسم GA-PINNs، الذي يعالج بشكل فعال الانقطاعات في معادلات الديناميكا الهيدروليكية النسبية العامة ثنائية الأبعاد (GRHD) من خلال استخدام دالة خسارة تقلل من التدرجات الكبيرة. يظهر هذا النموذج دقة تقدير قابلة للمقارنة مع نتائج ديناميكا السوائل الحاسوبية التقليدية (CFD). كما يسلط المؤلفون الضوء على التعديلات التي تم إجراؤها على PINNs الضعيفة (wPINNs) لحسابات أنبوب الصدمة، مؤكدين على أهمية فصل الحدود في دالة الخسارة لتعزيز الأداء. على الرغم من التقدم في نماذج PINN المختلفة للتعامل مع الانقطاعات، يشير المؤلفون إلى وجود فجوة في فهم تأثير متغيرات مخرجات الشبكة العصبية على دقة التقدير، خاصة في غياب المعلومات السابقة.
تستكشف الدراسة تأثير متغيرات المخرجات – الكثافة، والسرعة، والضغط، ودرجة الحرارة – على دقة نموذج PINN بسيط يعتمد على معادلات أويلر القابلة للانضغاط. يسمح النموذج المقترح بمحاكاة ظواهر موجات الصدمة دون الحاجة إلى معلمات تجريبية سابقة. من خلال دمج معادلة الحالة (EOS) لغاز مثالي بشكل صريح في دالة الخسارة، يظهر المؤلفون تحسينًا في الاتساق الديناميكي الحراري والدقة في التقاط الانقطاعات. تشير النتائج إلى أن النماذج ذات الأربعة متغيرات مخرجات تحقق نتائج أفضل من تلك التي تحتوي على ثلاثة، حيث تتماشى عدد المعادلات الحاكمة مع متغيرات المخرجات، مما يعزز قدرة النموذج على تمثيل الانقطاعات الحادة بدقة. يخلص المؤلفون إلى أن المزيد من الاستكشاف النظري مطلوب لفهم الآثار الرياضية لدمج EOS في نماذج PINN، خاصة فيما يتعلق بخصوصية الحلول الضعيفة في الأنظمة الهيبرولية.
DOI: https://doi.org/10.1038/s41598-026-35369-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41513741
Publication Date: 2026-01-09
Author(s): Yusuke Mizuno et al.
Primary Topic: Model Reduction and Neural Networks
Overview
This section discusses the application of physics-informed neural networks (PINNs) in estimating nonlinear phenomena in fluid dynamics, particularly focusing on shock wave estimation derived from the compressible Euler and Navier-Stokes equations. The study highlights the challenges associated with using neural networks to approximate sharp discontinuities, such as those found in shock waves. To address these challenges, the authors explored the impact of selecting specific neural network output variables on the accuracy of shock wave estimations.
In their proposed PINN model, the loss function is computed not only from the Euler equations but also incorporates the equation of state (EOS). The output variables chosen for the neural network include density, velocity, temperature, and pressure, ensuring that the number of equations used to compute the PDE loss function aligns with the number of unknown variables. The findings indicate a significant relationship between the selection of output variables and the accuracy of shock wave estimations, contributing to the development of a more effective PINN capable of addressing shock wave problems without relying on prior information or empirical data.
Introduction
The introduction of the research paper discusses the significance of Computational Fluid Dynamics (CFD) as a numerical method for analyzing fluid dynamics through the solution of governing partial differential equations (PDEs), such as the Euler and Navier-Stokes equations. These equations model complex, nonlinear phenomena in compressible flows, and while various numerical schemes have been developed to compute inviscid terms, conventional CFD simulations often necessitate optimization of numerical methods and boundary conditions to ensure accuracy. This limitation has led to the exploration of alternative modeling approaches, particularly the integration of machine learning techniques.
The paper highlights the emergence of surrogate models, including Physics-Informed Neural Networks (PINNs), which leverage CFD results as training data to approximate physical phenomena. PINNs are particularly notable for their ability to embed physical constraints into the loss function, allowing them to estimate unknown physical quantities even with limited labeled data. However, challenges remain in accurately solving compressible flows with discontinuities, such as shock waves, due to issues with spatial derivatives. The introduction reviews various adaptations of PINNs aimed at improving the capture of discontinuities, including the incorporation of diffusion terms, clustering training points around discontinuities, and using dynamic weights in the loss function. These advancements demonstrate the potential of PINNs to achieve results comparable to traditional CFD methods while addressing the complexities associated with discontinuous flows.
Results
The results section presents a comprehensive evaluation of the performance of Physics-Informed Neural Networks (PINNs) in modeling compressible flow problems, particularly focusing on the shock tube scenario. Figure 4 illustrates the evolution of various loss components over epochs, including total loss, PDE loss, boundary condition loss, and initial condition loss. The accuracy of the trained models is assessed by comparing their predictions of density, velocity, temperature, and pressure against theoretical results at two time points, $t=0$ and $t=1.6$, as depicted in Figures 5 and 6. Notably, models labeled Std, RUP, and RUT exhibit discrepancies near initial discontinuities due to insufficient convergence of the initial condition loss, while RUTP demonstrates superior performance in capturing the physical phenomena, albeit with some inaccuracies near shock waves.
The mean relative error norm, $\delta_{\text{norm}}$, is calculated to quantify the models’ performance against theoretical benchmarks, revealing that the inclusion of entropy-related constraints in the loss function is critical for ensuring physical admissibility in discontinuous flows. Figure 12 highlights the specific entropy distribution at $t=1.6$, where RUTP stands out for its accurate estimations, particularly in regions away from discontinuities. The model’s ability to satisfy multiple governing constraints—three PDEs and one equation of state (EOS)—is attributed to its four output variables, which provide the necessary degrees of freedom. In contrast, RUP and RUT, with only three outputs, struggle to maintain thermodynamic consistency and accurately represent energy conservation. The findings underscore the importance of integrating the EOS for enhancing model stability and physical consistency, while also indicating that further theoretical exploration is needed to fully understand the underlying mechanisms driving these improvements.
Discussion
In the discussion section of the paper, Ferrer-Sánchez et al. introduce the Gradient-Annihilated PINNs (GA-PINNs) model, which effectively addresses discontinuities in two-dimensional general relativistic hydrodynamics equations (GRHD) by utilizing a loss function that minimizes large gradients. This model demonstrates estimation accuracy comparable to traditional computational fluid dynamics (CFD) results. The authors also highlight modifications made to weak PINNs (wPINNs) for shock tube calculations, emphasizing the importance of separating terms in the loss function to enhance performance. Despite the advancements in various PINN models for handling discontinuities, the authors note a gap in understanding the impact of neural network output variables on estimation accuracy, particularly in the absence of prior information.
The study investigates the influence of output variables—density, velocity, pressure, and temperature—on the accuracy of a simple PINN model based on compressible Euler equations. The proposed model allows for the simulation of shock wave phenomena without requiring prior empirical parameters. By explicitly incorporating the equation of state (EOS) of an ideal gas into the loss function, the authors demonstrate improved thermodynamic consistency and accuracy in capturing discontinuities. The findings suggest that models with four output variables yield better results than those with three, as they align the number of governing equations with the output variables, thus enhancing the model’s ability to accurately represent sharp discontinuities. The authors conclude that further theoretical exploration is needed to fully understand the mathematical implications of incorporating EOS in PINN models, particularly regarding the uniqueness of weak solutions in hyperbolic systems.