نوشته پاتریشیا دلسی، کالج مهندسی دانشگاه میشیگان
ویرایش شده توسط سیدی هارلی، بازبینی شده توسط رابرت ایگان
یادداشتهای ویراستاران
این مقاله بر اساس فرایند و سیاستهای ویرایشی Science X بازبینی شده است. ویراستاران ویژگیهای زیر را با هدف تضمین اعتبار محتوا برجسته کردهاند:
تأیید صحت
انتشار با بازبینی همتا
منبع معتبر
بازخوانی
در حالی که توربولانس جوی مقصر شناختهشده پروازهای ناهموار است، حرکت آشوبانگیز جریانهای توربولانسی همچنان یک مسأله حلنشده در فیزیک به حساب میآید. برای درک بهتر این سامانه، تیمی از پژوهشگران با بهرهگیری از هوش مصنوعی قابل توضیح، مهمترین نواحی یک جریان توربولانسی را شناسایی کردند؛ این یافتهها در یک مطالعه Nature Communications که توسط دانشگاه میشیگان و دانشگاه فنی والنسیا هدایت شد، گزارش شده است.
درک واضحتری از توربولانس میتواند پیشبینی را بهبود بخشد و به خلبانان در اجتناب از مناطق توربولانسی برای جلوگیری از جراحات مسافران یا آسیبهای ساختاری کمک کند. همچنین مهندسان میتوانند توربولانس را کنترل کنند؛ با افزایش آن برای بهبود مخلوطسازی صنعتی، مانند تصفیه آب، یا با کاهش آن برای افزایش بهرهوری سوخت در وسایل نقلیه.
«بهمدت بیش از یک قرن، تحقیقات توربولانس با معادلاتی بیش از حد پیچیده که حلشان دشوار است، آزمایشهایی که اجرا کردنشان سخت است و رایانههایی که توان شبیهسازی واقعیت را ندارند، دست و پنجه نرم میکردند. هوش مصنوعی هماکنون ابزار جدیدی بهما ارائه داده است تا با این چالش مقابله کنیم و به پیشرفتی منجر شود که پیامدهای عملی عمیقی دارد»، گفت سرجیو هویا، استاد مهندسی هوافضا در دانشگاه فنی والنسیا و یکی از همنویسندگان این مطالعه.
در زمان مدلسازی توربولانس، روشهای کلاسیک سعی میکنند مؤلفههای مؤثر را با استفاده از معادلات فیزیکی یا با مشاهده ساختارهایی که در آزمایشها بهراحتی قابل رؤیت هستند، مانند گردابهها یا ادیها، شناسایی کنند.
روش جدید تمرکز را از صرفاً پیشبینی توربولانس به درک بهتر این سامانه تغییر میدهد. این روش تمام جریان را بدون هیچگونه فرض پیشفرضی بررسی میکند و هر نقطه داده را یکییکی حذف میکند تا اهمیت آن را محاسبه کند.
بر خلاف فرضیات کلاسیک، گردابهها در فاصلهای دور از دیوار که مرز بین هوای توربولانی و هوای صاف است، اهمیت کمی داشتند. در عوض، تنشهای رینولدز (اصطکاکی که هنگام برخورد سرعتهای مختلف سیالات ایجاد میشود) در فاصلههای بسیار نزدیک و بسیار دور از دیوار بیشترین اثر را داشتند، در حالی که نوارهای جریان (نوارهای کشیده شونده هوای سریع و آهسته که بهطور موازی با جریان حرکت میکنند) در فواصل متوسط حاکم بودند.
«اگر تمام دیدگاههای کلاسیک را با هم ترکیب کنید، به بازسازی کامل داستان نزدیکتر میشوید. اما اگر هر دیدگاه کلاسیک را بهتنهایی در نظر بگیرید، فقط بخشی از داستان را میبینید»، گفت ریکاردو وینوسا، استادیار مهندسی هوافضا در دانشگاه میشیگان و یکی از نویسندگان همنویسنده این مطالعه.
مسئله ریاضی حلنشده
تا کنون پژوهشگران نتوانستهاند بهطور کامل نحوه حرکت یا تبدیل انرژی جریانهای توربولانسی را درک کنند. ریاضیات توصیف حرکت سیالات از معادلاتی به نام معادلات ناویر‑استوکس نشأت میگیرد که برای جریانهای صاف، پیشبینیپذیر و توربولانس خفیف بهخوبی عمل میکند.
در توربولانس شدید، یعنی تقریباً هر جریان مورد علاقهی عملی، این معادلات همچنان معتبر هستند؛ اما حل آنها به مقدار عظیمی از توان محاسباتی نیاز دارد.
توربولانس بهصورت ذاتی آشوبی است؛ گرادیانهای سرعت میتوانند بهطور بسیار بزرگ شوند و بهرفتاری نزدیک به تکینگی برسند. در چنین شرایطی، میدان جریان ساختاری شبیه به فراکتال نشان میدهد که ترکیبهای فضایی پیچیده و دقیق دارد.
این رفتار پیچیده از تعامل دقیق بین اجزای خطی و غیرخطی معادلات ناویر‑استوکس ناشی میشود. بهدرجةای که مؤسسه ریاضی کِلی آن را بهعنوان یکی از هفت مسألهی جایزهی هزارساله شناخته و یک میلیون دلار جایزه برای اثبات وجود و یکتایی یک راهحل صاف برای این معادلات عرضه کرده است.
راهحل جایگزین برای مدلسازی
اگرچه تکنیک محاسباتیای به نام شبیهسازی عددی مستقیم میتواند بخشهای کوچک از جریانهای توربولانسی را با دقت بالا مدلسازی کند، اما اجرای آن در مقیاس بزرگ هزینهبر و بسیار سنگین است.
شبیهسازی یک ثانیه پرواز یک ایرباس ۳۲۰ در شرایط کروز، حدود پنج ماه بر روی سریعترین ابرکامپیوتر جهان (با توان دو اگزافلوب) زمان میبرد. حافظه مورد نیاز تقاضا تقریباً برابر با حجم دادهای است که در یک ماه کل اینترنت منتقل میکند.
بهعنوان راهحل جایگزین، تیم تحقیقاتی شبیهسازی عددی مستقیم را با هوش مصنوعی قابل توضیح ترکیب کرد تا بینشهای جدیدی درباره جریانهای توربولانسی بهدست آورد. ابتدا، تیم از دادههای شبیهسازی عددی مستقیم برای آموزش یک مدل هوش مصنوعی پیشبینیکنندهی جریان توربولانسی استفاده کرد. سپس، از توضیحات جمعی شاپلی (SHAP) برای محاسبه اهمیت هر ورودی مدل پیشبینیکننده بهره برد. این روش هر ورودی را حذف میکند و میزان تأثیر آن بر دقت پیشبینی را میسنجد.
«SHAP شبیه این است که هر بازیکن تیم فوتبال را یکییکی حذف کنید تا بفهمید هر فرد چگونه به عملکرد کلی تیم کمک میکند؛ این کار به شناسایی ارزشمندترین بازیکنان کمک میکند»، گفت وینوسا.
هنگامی که مورد آزمایش قرار گرفت، روش SHAP همراه با یادگیری تقویتی عمیق از روشهای کلاسیک پیشی گرفت و اصطکاک بال هواپیما را ۳۰٪ کاهش داد. برای اولین بار میدانیم دقیقاً کدام ساختارها در یک جریان توربولانسی بیشترین اهمیت را دارند.
«این به این معناست که میتوانیم این نواحی را هدف بگیریم تا استراتژیهای کنترلی را توسعه دهیم که مقاومت را کاهش داده، احتراق را بهبود بخشیده و آلودگی شهری را بهصورت مؤثرتر کاهش دهد، زیرا اکنون میتوانیم دینامیک سامانه را پیشبینی کنیم»، گفت آندرس کریمادس، استارشیپار در دانشگاه فنی والنسیا و همنویسنده همنویسنده این مطالعه.
پژوهشگران اشاره میکنند که این تکنیک میتواند برای مسائلی فراتر از توربولانس نیز مورد استفاده قرار گیرد.
«برای هر مسأله فیزیکی، میتوانید ویژگیهای مهم و نامهم را شناسایی کنید و از آن برای بهینهسازی، کنترل یا کاربردهای دیگر در آینده بهره ببرید»، ویینوسا افزود.
اطلاعات بیشتر: آندرس کریمادس و همکاران، «ساختارهای همپیوند مورد مطالعه بهصورت کلاسیک تنها تصویر جزئیای از توربولانس محدود به دیوار ارائه میدهند»، Nature Communications (2025). DOI: 10.1038/s41467-025-65199-9
اطلاعات نشریه: Nature Communications
ارائهشده توسط کالج مهندسی دانشگاه میشیگان
نقلقول: هوش مصنوعی قابل توضیح و توربولانس: نگاهی نو به یک مسأله حلنشده فیزیکی (2025، 20 نوامبر) دریافتشده در 25 نوامبر 2025 از https://phys.org/news/2025-11-ai-turbulence-fresh-unsolved-physics.html
این سند تحت حق تکثیر محفوظ است. بهجز موارد استفاده منصفانه برای مطالعه یا پژوهش خصوصی، هیچ بخشی بدون اجازهٔ کتبی قابل تکثیر نیست. این محتوا صرفاً جهت اطلاعرسانی ارائه میشود.
دیدگاهتان را بنویسید