تطبيق التعلم في مجال الآلات في المرحلة الانتقالية لحاملي الحدود في تدفقات مجمعة

تطبيق التعلم في مجال الآلات في المرحلة الانتقالية لحاملي الحدود في تدفقات مجمعة

ولا يزال الانتقال من طبقة الحدود أحد أكثر الظواهر صعوبة في الديناميات السوائل، إذ يؤثر مباشرة على أداء وكفاءة وسلامة المركبات الفضائية الجوية والسفن البحرية والاضطرابات الريحية ونظم الأنابيب الصناعية، وعندما تتدفق داخل المنطقة المحفوفة بالعلامات المتاخمة لخط سطح صلب من الحركة المهيمنة إلى السلوك الاضطراباتي، يجب على المهندسين أن يتنافسوا مع تغيرات مفاجئة في معدلات التدفق الحراري.

ومن التطورات الأخيرة في مجال التعلم الآلي إعادة تشكيل الطريقة التي يتبعها الباحثون والمهندسون في التنبؤ بالانتقال إلى طبقة الحدود، ومن خلال تدريب الشبكات العصبية والغابات العشوائية، وأجهزة الدعم التي تستخدمها في مجموعات البيانات الكبيرة من القياسات التجريبية وعمليات المحاكاة العالية الجودة، أصبح من الممكن الآن بناء نماذج تلتقط التفاعلات غير الخطية، وتُشكل معايير التأثير المتعددة في آن واحد، وتُقدِّم توقعات بحجم آخر غير دقيق.

فيزياء عملية الانتقال

ففهم سبب وطريقة انتقال طبقات الحدود من التدفق المائي إلى التدفق المضطرب هو أمر أساسي لتقدير قيمة التعلم الآلي الذي يؤدي إلى جهود التنبؤ، كما أن طبقة الحدود نفسها هي المنطقة الرقيقة المتاخمة مباشرة لسطح صلب حيث تبطئ الارتفاع مقارنة بالمسار الحر، وفي طبقة الحدود المتوهجة تتحرك الجسيمات المسيلة في تبسيطات سلسة وموازية.

ويمكن أن تحدث الانتقال من خلال عدة مسارات متميزة، كل منها تحكمه آليات مختلفة لعدم الاستقرار، وفي بيئات منخفضة الحضر، مثل التحليقات العالية، تبدأ العملية عادة بنمو موجات السفر ذات الاتجاه العصيب، التي تتضخم عند السفر إلى أسفل المجرى، وعندما تصل هذه الموجات إلى مستوى واسع من الارتداد، فإنها تتطور في نهاية المطاف إلى هيكل مشرقي ذي أبعاد، وتفتت شعرها.

ولا يمكن الإفراط في تقدير الأهمية العملية للتنبؤ بالانتقال، إذ أن تأخير الانتقال من سطح إلى أجنحة يخفض من جر الاحتكاك الجلدي بنسبة تصل إلى 50 في المائة، ويترجم مباشرة إلى وفورات في الوقود وانخفاض الانبعاثات، وبالنسبة لمصممي النسيج الغازي، فإن التنبؤ بمواقع التبريد يؤثر على الحياة الصاروخية، في خطوط الأنابيب، يزيد التوقعات التصاعدية في التدفق الحراري من تكاليف الضخ.

الأساليب التقليدية للتنبؤ بها والحدود التي تفرضها

المراسلات التجريبية

وقد اعتمدت الممارسة الهندسية منذ وقت طويل على الروابط العملية المستمدة من التجارب المثالية، إذ أن معيار الانتقال في ميشيل، مثلا، يتصل برقم سميك قوة الدفع رينولدز إلى عامل الشكل لتقدير الانتقال في البداية، حيث أن ثلاثة مسارات متداخلة بين أبو غنام وشو هي بمثابة اضطرابات في المجرى الحر، وتدرج الضغط، وهذه الروابط بسيطة لتنفيذها وسيرها بسرعة، مما يجعلها جذابة بالنسبة لمراحل التصميم المبكر.

نظرية القابلية للاختلال

إن نظرية الاستقرار الخطي، ولا سيما طريقة النفوس الإلكترونية، توفر نهجاً أكثر اتساماً بالفيزياء، إذ يجب أن يُحسب معامل التكتل في موجات الاضطرابات على طول السطح، وأن يقارنها بقيمتها القصوى الحرجة التي يمكن أن يُقدّر فيها المهندسون الذين تتراوح أعمارهم بين 7 و 11 مهندساً موقعاً انتقالياً، وأن تكون طريقة النفوس الإلكترونية جيدة بالنسبة للبيات ذات الاضطرابات المنخفضة الحرّة ويمكن أن تقترن معدة من أجل التحليل الفعال.

المحاكاة الرقمية المباشرة والتعبئة الكبيرة

وفي نهاية الطيف، تُحل المحاكاة الرقمية المباشرة جميع مقاييس الحركة من أكبر درجات إلى مقياس كولموغوروف المختلف، وتوفر النظم الوطنية للسواتل حلولا دقيقة للمعادلات التي تستخدمها شركة نافيير ستوكز، ويمكنها أن تلتقط الفيزياء الكاملة للانتقال، بما في ذلك التحلل غير الخطي، وتُحدّد التكلفة الحسابية أساسا من الأرقام الهندسية العملية.

أطر التعلم الآلاتي للتنبؤ الانتقالي

وتعالج نُهج التعلم في مجال الآلات قيود الأساليب التقليدية بالتعلم المباشر من البيانات، بدلا من الاعتماد على نماذج مادية مبسطة أو بارامترات مدروسة عمليا، فإن الخوارزميات المتعددة الكلور تكتشف أنماطا وترابطا وعلاقات وظيفية مدمجة في القياسات ونتائج المحاكاة، واختيار الخوارزمية ونوعية البيانات التدريبية واختيار سمات المدخلات كلها تحدد نجاح النموذج التنبؤي الناتج.

الشبكات العصبية

وقد أصبحت الشبكات العصبية العميقة أكثر الشبكات التي تم استكشافها في مجال الانتقال من طبقة الحدود، حيث يمكن للشبكات المغذية ذات طبقات خفية متعددة أن تُقَيِّم على نحو سليم معايير التدفق المحلي إلى مواقع الانتقال أو التوارث المضطربة، وتظهر شبكات الحدود العصبية القصيرة الأجل التي تُستخدم في مجالات التدفق الثنائية أو الثلاثة الأبعاد، وتتعلم الملامح المكانية المباشرة من السرعة أو الضغط.

دعم أجهزة المحرك والغابات العشوائية

أما آلات الدعم التي تبرز في مهام التصنيف حيث يتمثل الهدف في التمييز بين المناطق المضطربة في مجال التدفق، ومن خلال رسم خرائط لمدخلات في مجال أعلى الأبعاد، وإيجاد أفضل أنواع من العزل، فإن أجهزة القياس ذات القيمة المضافة تنتج مصنفات قوية تعمم بشكل جيد حتى مع بيانات التدريب المحدودة، وتنتج الغابات العشوائية، وهي طريقة تجمع على أساس أشجار القرار، مزايا للتفسير نظراً لأهمية كل سمة تقليدية.

العمليات الغوسية والأساليب البيزيائية

ويوفر تراجع العمليات في غاوسيان إطاراً محتملاً للتنبؤ بالانتقال، لا يقدم تقديراً للنقطة فحسب، بل أيضاً مقياساً للتفاهم التنبؤي، وهذا أمر قيّم بالنسبة للقرارات الهندسية التي تتطلب تقييم المخاطر، فالشبكات العصبية في بايزي تجمع بين مرونة التعلم العميق وبين التحديد الكمي لعدم التيقن المبدئي، وإن كانت تتطلب إجراءات تدريب أكثر تطوراً، وهذه الأساليب المحتملة ذات أهمية خاصة بالنسبة للتطبيقات التي تنطوي على بيانات متفرقة أو مسببة، وهي حالة متقلبة في التجارب الدينامية.

جمع البيانات والهندسة المخصّصة

مصادر بيانات التدريب

ويحد أداء أي نموذج للتعلم الآلي أساسا من نوعية وكمية بياناته التدريبية، وفيما يتعلق بالانتقال إلى طبقة الحدود، تشمل مصادر البيانات تجارب الأنفاق الريحية، وفحوصات الطيران، وعمليات المحاكاة الرقمية المباشرة، وعمليات المحاكاة الكبيرة، وتجمع البيانات التجريبية على الآثار المادية الحقيقية، بما في ذلك تقريب السطح، والاضطرابات في المسار الحر، والاضطرابات الصوتية، ولكنها مكلفة للحصول على بيانات مصغرة عن المقاييس.

اختيار الأعضاء

ويُعد اختيار الملامح الصحيحة أمراً حاسماً بالنسبة إلى دقة النموذج وتعميمه، ويُسترشد في الفهم المادي باختيار البارامترات المحلية والعالمية المعروفة بالتأثير على التحول، وتشمل السمات الأساسية رقم المولدات استناداً إلى سميك الزخم، وعامل الشكل، ودرجة الاضطرابات في المجرى الحر، ومقياس درجة الضغط، وخصائص التقريب السطحي، وقد تتضمن مجموعات السمات المتقدمة معلومات عن مسارات الاضطرابات، وتقنيات غير الشائعة،

تجهيز البيانات وتوسيمها

وكثيرا ما تتضمن البيانات المستقاة من التجارب والمحاكاة الضجيج، والقيم المفقودة، وعدم الاتساق في عملية أخذ العينات، وتشمل خطوات التجهيز الأولي تصفية الضوضاء العالية التردد، والاستقطاب على شبكات موحدة، وتطبيع السمات إلى فرق صفري وفرق الوحدات لضمان التدريب المستقر، وتوسّع البيانات بصورة مصطنعة نطاق التدريب الذي يتم من خلال تطبيق تحولات واقعية مادية مثل الاضطرابات الطفيفة في الظروف الإضافة أو الاصطناعية.

التدريب النموذجي والتقييم

استراتيجيات التدريب

وتشمل نماذج التعلم الآلي في مجال التنبؤ بالانتقال تقسيم البيانات المتاحة إلى مجموعات التدريب والتثبت والتجارب، وتستخدم مجموعة التدريب من أجل تحقيق الحد الأمثل من المعايير النموذجية، وتسترشد مجموعة التحقق باختيار معايير التجاوزات الفائقة، وتمنع الإفراط في تقدير المهام المحددة للاختبار، وتوفر تقييما غير متحيز للأداء النهائي، أما بالنسبة للشبكات العصبية، فتتمثل في التدريب من خلال التقارب في التقارب بين درجات الحرارة وبين النسبي أو تقنيات التقلب الحديثة مثل آدم.

تقييم التلقيم المعبري وعدم اليقين

ويوفر التكافل بين الكيلومترات تقديرا أقوى للأداء النموذجي عن طريق التقلبات من خلال مختلف تقسيم البيانات، وبالنسبة للتنبؤ بالانتقال، فإن الإجازات - الجراثيم - الترك - خارج النسيج أمر يتطلبه بشكل خاص، ويختبر ما إذا كان يمكن للنموذج أن يعمم على الأشكال الجديدة تماما التي لم ينظر إليها أثناء التدريب، ويتجاوز تقييم عدم اليقين مقاييس الأخطاء البسيطة.

Validation Against Experimental Data

والاختبار النهائي لأي طريقة للتنبؤ بالانتقال تقوم على أساس القانون النموذجي هو المقارنة بين القياسات التجريبية التي لم تستخدم أثناء التدريب، وتُجري اختبارات النفق الشتوي على قياسات جغرافية قياسية مثل نظام NACA 0012، و جناح نظام مراقبة الانتقال، واللوحات الثابتة ذات المستويات العالية للضغط المراقَب بيانات مرجعية للتثبت من صحة البيانات، وتُعدّل مثل الخطأ المطلق في الكشف عن المواقع الانتقالية، وعامل التوزيع الإيجابي بين الأسعار المُتَبَة المُتَة المُتَتَبَةَةَة المُتَتَتَتَتَتَخَتَتَبَتَتَبَتَةُتَتَتَتَتَتَتَتَتَتَتَتَتَتَتَقَعَتَتَتَتَبَبَتَتَتَتَتَعَتَتَتَتَتَتَتَتَتَةُتَتَتَتَتَتَتَتَبَتَ

التطبيقات الهندسية ودراسات الحالات الإفرادية

التصميم الأيرودينامي

ومن أكثر التطبيقات الواعدة للتنبؤ بالانتقال القائم على أساس حركة تحرير الكونغو، تحقيق الاستخدام الأمثل للنظم الجوية، حيث يمكن تقليص الوقت الإجمالي للتنقّذ الأمثل بين نماذج الانتقال التي تستخدمها الشبكة والنماذج الانتقالية، بتكلفة حسابية، وتتطلب في كثير من الأحيان آلاف تقييمات المهام، وباستبدال عنصر التنبؤ بالانتقال مع سرعة تسارع شبكة النيوزيلندية، فإن الوقت المتاح للتقليل من خلال أوامر الحجم.

مراقبة الصيد غير المشروع

وفي ضوء السرعة القصوى، يتأثر الانتقال من طبقة الحدود بآثار الغاز العالي التمرين، وردود الفعل الكيميائية، والتراكم السطحي، إذ تشير أساليب التنبؤ التقليدية التي تكافح في ظل هذه الظروف إلى أن النماذج المادية الكامنة للكيمياء وعلم الدينامية الحرارية تضيف عدم اليقين، وتشير نماذج التعلم من الآلات التي تم تدريبها على البيانات المستمدة من الأنفاق الريحية المفرطة، وعمليات المحاكاة المباشرة التي أجريت على حسابات مونت كارلو إلى القدرة على التنبؤ بالتحول إلى نماذج مهيمنة.

جهاز توربوماشن

وفي محركات توربين الغاز، تشهد طبقات الحدود السائلة مستويات ضغط قوية، واضطرابات في المسار السريع، ووقوعات غير ثابتة من المراحل الأولى، وتعقد التنبؤات الانتقالية هنا بفعل التفاعل بين آليات الانتقال المتعددة التي تحدث في آن واحد، وتضاؤل نماذج الشبكة العصبية التي تم تدريبها على بيانات المحاكاة الكبيرة لتدفقات الكازينة التربينية، وتضاهي القياسات التجريبية لتوزعات الحرارة التي تقل عن 5 في المائة.

مروحيات توربينية

وتشغل النسيجات الريحية بأعداد ريينولدز حيث يؤثر الانتقال من خط إلى الاضطراب تأثيرا كبيرا على إنتاج الطاقة وعلى الحمولات الهيكلية، وقد نجحت وظيفة القياس الجغرافي الثلاثي الأبعاد، والآثار التناوبية، واختلاف ظروف تدفق الطاقة في التنبؤ، في التنبؤ بالطرق التقليدية، وقد نجحت نماذج التعلم من الآلات التي تم تدريبها على القياسات الميدانية من التربينات المجهزة، إلى جانب الديناميات الافتراضية الافتراضية للسيارات المحتوية على التحول

ألف - المزايا على الطرق التقليدية

وتتجاوز مزايا التعلم الآلي للتنبؤ بالانتقال من طبقة الحدود الدقة الأولية، فالسرعة عامل رئيسي، فالشبكات العصبية المدربة تنتج التنبؤات في الثلثيات الدقيقة، مما يتيح لها أن تكون جزءا من نظم التحكم في الوقت الحقيقي أو تستخدم في تقدير كمية عدم التيقن في مونت كارلو مع آلاف التقييمات، وقدرة التعامل مع الظواهر غير التجريبية دون تبسيط الافتراضات تعني نماذج للتفاعل بين آليات عدم الاستقرار المتعددة، والاضطرابات السطحية، والمجانية.

التحديات والحدود الراهنة

ورغم الوعد الذي قطعته على نفسها، لا تزال هناك تحديات كبيرة قبل أن يصبح التعلم الآلي أداة روتينية للتنبؤ بالانتقال، فقلة البيانات هي أهم مسألة أساسية، إذ أن بيانات الانتقال التجريبي باهظة الثمن للحصول على بيانات محاكاة ذات جودة عالية، وتستلزم موارد حاسبية هائلة، إذ أن العديد من الدراسات المنشورة عن استخدام نظام ML تعتمد على مجموعات بيانات تغطي فقط نطاقات البارامترات الضيقة، مما يثير تساؤلات بشأن تعميمها على شروط جديدة.

ولا يزال الاستقراء خارج نطاق التدريب خطيرا، وقد يؤدي نموذج مدرَّب على بيانات الجو دون الصوتي إلى التنبؤات غير الدقيقة بشكل كبير بالأجنحة المغمورة، والكشف عن الحالات التي لا يمكن الاعتماد عليها، إلى وجود قياس دقيق للكمية التي لا تزال تشكل مجالا بحثيا نشطا، كما أن إدماج نماذج الأشعة فوق البنفسجية في الديناميات الحاسوبية القائمة يشكل تحديات عملية.

الاتجاهات المستقبلية والاتجاهات الناشئة

وترسم عدة اتجاهات واعدة للتنبؤ بالانتقال القائم على أساس القانون النموذجي المتعدد الأطراف، وتدمج الشبكات العصبية المزودة بالمعلومات الفيزياء معادلة الضبطية للحركة السوائل مباشرة في وظيفة فقدان التدريب، بما يكفل أن تكون التنبؤات تفي بقوانين الحفظ والقيود المادية حتى في المناطق التي توجد فيها بيانات متفرقة، ويتيح التعلم التحويلي التدريب المسبق على مجموعات بيانات المحاكاة الكبيرة أن يُضبط بدقة مع كميات صغيرة من البيانات التجريبية، مما يؤدي إلى تقليص كبير في الاحتياجات.

:: وضع استراتيجيات تعلم نشطة لتدريب نماذج لمراكز البيانات الأكثر استنارة لتحسين التنبؤات، والحد من مجموع البيانات اللازمة، ويجري استكشاف سبل تعزيز التعلم من أجل تطبيقات مراقبة التدفق حيث يتعلم نموذج ML الاستراتيجيات المثلى لتأخير الانتقال من خلال التدقيق، وسيعجل النمو المستمر في الطاقة المحوسبة ووضع مجموعات بيانات مرجعية أوسع نطاقا وأكثر شمولا، الجهود المبذولة مثل نماذج البيانات ذات القيمة المضافة العالية والمفتوحة المصدر:

خاتمة

ويدخل التنبؤ بالانتقال إلى طبقة الحدود الأرضية عهداً تحويلياً مدفوعاً بالتعلم الآلي، إذ إن القدرة على التعلم مباشرة من بيانات التجارب والمحاكاة، والأخذ بتفاعلات معقدة غير خطية، وتقديم التنبؤات السريعة، ستفتح إمكانيات جديدة للتصميم الهوائي ومراقبة التدفق والتحسين الأمثل للنظام، وفي حين أن التحديات المتصلة بتوافر البيانات، والتفسير النموذجي، والتعميم، فإن مسار التقدم واضح.

ولا يحل التعلم في مجال الآلات محل الحاجة إلى فهم بدني عميق لفيزياء طبقة الحدود، بل يضاعف قيمة ذلك الفهم بتمكينه من تطبيقه على نطاق أوسع وبسرعة أكبر وبنفقات أقل حسابية، ومع تزايد مجموعات البيانات، وتحسين المقاييس، وزيادة الثقة في التنبؤات القائمة على البيانات، سيصبح التنبؤ بالانتقال القائم على أساس متعدد الأطراف جزءا لا غنى عنه من نماذج العمل المهيأة في المستقبل.