عملية تدفق الجسيمات تحمل مستوى عالٍ من التعقيد، وكان يتم التعامل معها تقليدياً عن طريق حل معادلات نافير-ستوكس. على الرغم من تطوير تقنيات عددية وتجريبية مختلفة، فإن هذه الأساليب تتطلب فهماً عميقاً للفيزياء الأساسية وغالباً ما تكون مرتبطة بتكاليف حسابية عالية. تقدم التعلم الآلي بديلاً جديداً، حيث يتعلم أنماط التنبؤ مباشرة من البيانات، مما يتجاوز الحاجة للنمذجة الفيزيائية الصريحة. ومع ذلك، قد تفتقر الطرق المعتمدة على البيانات البحتة أحياناً إلى القابلية للتفسير والتناسق الفيزيائي. من خلال دمج مبادئ الفيزياء في التعلم الآلي، يمكن جسر هذه الفجوة وحل المشكلات المذكورة. في هذا السياق، اقترحنا TrajectoryFlowNet لتتبع الجريان والجسيمات. يجمع منهجنا بين مرونة التعلم المعتمد على البيانات وصارمة القيود القائمة على الفيزياء، بهدف تحقيق الدقة والفعالية. تشمل الميزات البارزة في نموذجنا قدرته على التعامل مع أنماط تدفق معقدة ذات حدود متحركة، والتنبؤ بمسارات جميع الجسيمات في المجال، وضمان التناسق الفيزيائي throughout التنبؤات استنادًا فقط إلى مسارات شحيحة. للتحقق من طريقتنا، قمنا بإجراء عدة حالات عددية وتجريبية عبر مجموعة من سيناريوهات التدفق. تُظهر هذه التجارب فعالية النموذج في التقاط الديناميكيات المعقدة لتدفقات المواد المحملة بالجسيمات، مما يساهم في تتبع الجسيمات بدقة وعكس حقل التدفق في مشكلات العالم الواقعي المتنوعة.
درست Wan وآخرون (Sun) هذا السؤال.