في إطار البحث المستمر عن فهم أعمق لقوانين الديناميكا الحرارية، أطلق فريق من الباحثين نموذجاً مبتكراً يعتمد على الشبكات العصبية (Neural Networks) لاكتشاف النماذج المكونة في علم ميكانيكا الحرارة المتكامل (Thermoelasticity). بدلاً من الاعتماد على الصيغ الكلاسيكية المرتبطة بالطاقة هيلمهولتز (Helmholtz energy)، اختار الباحثون استخدام الطاقة الداخلية (Internal Energy) وإمكانات التشتت (Dissipation Potential) كوظائف مكونة أساسية.

يتميز هذا النموذج الجديد بإمكانية تجنب الشروط المعقدة المرتبطة بالتقوس المشترك-المحدب، مما يسهل تطبيق المبادئ الديناميكية الحرارية بشكل متسق. وإن كان التركيز ينصب على المواد التي تفتقر إلى الاتجاهات المفضلة أو المتغيرات الداخلية، فإن هذا الإطار يسمح بمعالجة درجة الحرارة كمتغير مستقل، بينما يتم استنتاج الانتروبي (Entropy) داخلياً من خلال العلاقة المكونة.

تضمن الشبكات العصبية المستخدمة في هذا الإطار إمكانية اتباع قوانين الديناميكا الحرارية من الناحية الهيكلية، حيث يمثل كل من الطاقة الداخلية وإمكانات التشتت من خلال شبكات عصبية محدبة (Convex Neural Networks). هذا يضمن الامتثال للقوانين second law (القانون الثاني للديناميكا الحرارية). كما يتم تضمين الموضوعية والتوازن المادي والتطبيع مباشرة في الهيكل من خلال تمثيلات قائمة على المتغيرات غير المتغيرة.

أظهر الباحثون فعالية هذا الإطار من خلال اختباره على مجموعات بيانات صناعية وتجريبية، بما في ذلك مشاكل حرارية بحتة والاستجابات الميكانيكية الحرارية المتكاملة للأنسجة الرخوة والمطاط المحشو. النتائج أظهرت أن النماذج المتعلمة تستطيع التقاط السلوك المكون الأصيل بدقة. ولتعزيز الشفافية، تم نشر جميع الأكواد والبيانات والنماذج المدربة علنياً عبر الرابط: https://doi.org/10.5281/zenodo.19248596.