شبكات عصبية مدعومة بالفيزياء تتعلم التنبؤ بموجات الصدمة دون إعادة تشغيل المحاكاة

قضيب من الفولاذ والألمنيوم، من النوع المستخدم في اختبار "قضيب هوبكنسون المنقسم للضغط" (Split Hopkinson Pressure Bar)، يقف في قلب إطار عمل جديد لتعلم الآلة (Machine Learning) صُمم للتنبؤ بكيفية انتقال موجات الصدمة عبر المواد المتراصفة في طبقات، دون الحاجة لتشغيل محاكاة جديدة بالعناصر المحددة (Finite-Element) كل مرة تتغير فيها الشروط.

فريق بحثي قدّم ورقة علمية إلى أرشيف "آركايف" (arXiv) في 7 يوليو 2026، طوّر شبكة عصبية مدعومة بالفيزياء (Physics-Informed Neural Network - PINN) تحاكي انتشار الموجات المرنة الديناميكية العابرة (Transient Elastodynamic Wave Propagation) في أنظمة ثنائية المواد. الفارق الجوهري هنا أن الشبكة لا تتعامل مع سلوك الموجة كنموذج غامض (Black-box) يُحفظ عن ظهر قلب، بل يتم تدريبها مباشرة وفق المعادلات المتماثلة محوريًا (Axisymmetric Equations) للمرونة الخطية (Linear Elasticity) التي تحكم حركة موجات الضغط داخل المواد الصلبة. هذا القيد الفيزيائي هو ما يميز الشبكات من نوع PINN عن النماذج التقليدية القائمة على البيانات فقط: فالفيزياء نفسها تعمل كآلية تحقق مدمجة تراقب تنبؤات الشبكة وتصححها.

التحقق من صحة النموذج عبر بيانات محاكاة حقيقية

لاختبار هذا النهج، استخدم الفريق نموذجًا من الفولاذ والألمنيوم مُهيّأً ليطابق تجربة "قضيب هوبكنسون المنقسم"، وهي طريقة تجريبية معيارية لدراسة استجابة المواد للصدمات ذات معدل الانفعال المرتفع (High-Strain-Rate Impacts). وقد وفّرت محاكاة العناصر المحددة عالية الدقة، التي أُجريت باستخدام برنامج "أنسيس وورك بنش" للديناميكا الصريحة (ANSYS Workbench Explicit Dynamics)، معيار التحقق الأساسي، كما زوّدت النموذج ببيانات تدريب تكميلية دقيقة قِيس عليها أداء الشبكة.

أظهرت النتائج أن الشبكة المدرَّبة تنجح في محاكاة كيفية انتقال الموجات عبر السطح الفاصل بين المادتين وانعكاسها عليه، وهي ظاهرة يصعب نمذجتها عادة بسبب التغير المفاجئ في الصلابة والكثافة عند الحد الفاصل بين المادتين. كما تمكّنت الشبكة من إعادة إنتاج تاريخ الإزاحة المحورية والشعاعية (Axial and Radial Displacement) المسجل عبر العيّنة بالكامل، أي أنها لا تقتصر على تقدير قيمة واحدة، بل تتابع كيف تتحرك المادة وتتشوه عبر الزمن والمكان معًا.

تجاوز حدود بيانات التدريب

النتيجة الأكثر أهمية تظهر بعد انتهاء التدريب مباشرة. فإطار العمل هذا يستطيع التعميم على لحظات زمنية لم يرها النموذج أثناء التدريب، وعلى مواد ذات خصائص معدّلة، وكل ذلك دون الحاجة لتشغيل جولة جديدة من تحليل العناصر المحددة. هذه القدرة تحمل قيمة كبيرة للمهندسين، لأن محاكاة الديناميكا الصريحة لانتشار الموجات مكلفة حسابيًا بطبيعتها، وتتطلب غالبًا خطوات زمنية دقيقة للغاية وشبكات حسابية كثيفة لرصد جبهات الضغط سريعة الحركة بدقة.

إذا استطاعت شبكة PINN مدرَّبة أن تُنتج تنبؤات موثوقة بالتقدير الداخلي والخارجي (Interpolation and Extrapolation) لسلوك الموجات عبر تركيبات مواد جديدة، فقد يتحول جزء من عبء العمل في اختبارات التصادم وتوصيف المواد من تكرار عمليات المحاكاة إلى نموذج ينتج تقديرات فورية تقريبًا بعد تدريبه لمرة واحدة. هذا الأمر يحمل تأثيرات عملية مباشرة على مجالات تعتمد بشكل كبير على اختبار "قضيب هوبكنسون المنقسم" وتجارب مشابهة لمعدلات الانفعال المرتفعة، مثل أبحاث القذائف، وتصميم الهياكل الفضائية، وتطوير المواد المضادة للصدمات، حيث يمثّل التكرار السريع بين تركيبات المواد المختلفة عائقًا رئيسيًا غالبًا.

الورقة البحثية لا تدّعي أن هذه الشبكة تحل محل التحقق التجريبي كليًا، لكنها تُثبت أن دمج المعادلات الفيزيائية الحاكمة مباشرة في عملية التدريب يمكن أن يُنتج نموذجًا يحترم الحدود الفاصلة بين المواد وميكانيكا الموجات، دون أن يُملى عليه الجواب الصحيح صراحة لكل سيناريو جديد يواجهه.