لأربعين عاماً، ظل التدفق المضطرب في الأنابيب العمودية بلا تعريف رياضي دقيق رغم أهميته في صناعات النفط والغاز. فريق بحثي من جامعة مونتانا التقنية وجامعة تكساس إيه آند إم كسر هذا الحاجز باستخدام سطوح أويلر المميزة (Euler Characteristic Surfaces) والتعلم غير المراقب.
التحدي الجوهري يكمن في طبيعة التدفق المضطرب – النظام الفوضوي المتذبذب الذي يحدث عندما يمر الهواء والماء عبر الأنابيب العمودية. النماذج الحالية مثل خريطة Wu للأنظمة تفشل في التنبؤ الدقيق، خاصة في الأنابيب الضيقة حيث تهيمن التوترات السطحية والتفاعلات بين الجدران على ديناميكيات التدفق.
الحل الطوبولوجي يعتمد على تقنية Multiple Kernel Learning (MKL) التي تمزج نواتين مشتقتين من سطوح أويلر: المحاذاة الزمنية باستخدام المسافة L¹ على السطح χ(s,t)، وإحصائيات السعة التي تشمل المتوسط والانحراف المعياري والحدود العليا والدنيا حسب المقياس، بالإضافة إلى سرعة الغاز.
عند تطبيق الإطار على 37 تجربة هواء-ماء غير مُصنفة من مونتانا التقنية، تعلمت الخوارزمية ذاتياً أوزان βECS=0.14 للمحاذاة الزمنية، βamp=0.50 لإحصائيات السعة، وβugs=0.36 لسرعة الغاز. هذا يضع 64% من الوزن الإجمالي على الميزات المشتقة طوبولوجياً.
النتيجة الأكثر إثارة: الانتقال المستنتج بين النمط الخامل والمضطرب يقع +3.81 متر/ثانية فوق تنبؤ Wu وزملائه (2017) في أنابيب 2 بوصة. هذا يكمّم التقارير التي تشير إلى أن النماذج الحالية تقلل من توقع استمرارية النمط الخامل في الأنابيب الضيقة.
التحقق المتقاطع على 947 صورة من جامعة تكساس إيه آند إم أكد تعقيداً طوبولوجياً أعلى بـ 1.9 مرة في التدفق المضطرب مقارنة بالخامل مع قيمة احتمالية p < 10⁻⁵. الاختبار الأقوى جاء عند تطبيق الإطار على 45 تجربة زائفة من تكساس إيه آند إم: حقق دقة 95.6% في التصنيف رباعي الفئات و100% استدعاء للتدفق المضطرب.
المفارقة المذهلة أن هذا الأداء تحقق دون أي بيانات تدريب مُصنفة، متفوقاً على الأساليب المراقبة التي تتطلب آلاف الأمثلة المُصنفة. الطوبولوجيا تثبت قدرتها على استخلاص أنماط معقدة من البيانات الخام دون إشراف بشري.
بالنسبة لشركات النفط والغاز في السعودية والإمارات، هذا البحث يفتح إمكانيات تحسين نمذجة التدفق في شبكات الأنابيب، خاصة الأنابيب الضيقة حيث تفشل النماذج التقليدية في التنبؤ الدقيق. التقنية قد تؤدي لتحسينات جوهرية في كفاءة الإنتاج وتقليل التكاليف التشغيلية.
البحث يقدم أول تعريف رياضي للتدفق المضطرب ويثبت قدرة الأوصاف الطوبولوجيا غير المراقبة على تحدي وتصحيح النماذج الآلية المعتمدة بشكل واسع. هذا الإنجاز متاح كـ preprint على arXiv من فريق يضم Brady Koenig، Sushovan Majhi، Atish Mitra، Abigail Stein، وBurt Todd.
