چکیده: بازسازی دقیق میدان‌های جریان با وضوح بالا در مکانیک سیالات، به دلیل داده‌های پراکنده و ناقص در زمان و مکان، چالشی پیچیده است. این چالش به دلیل محدودیت‌های ابزارها و روش‌های تجربی تشدید شده است و باعث شده است نواحی کلیدی بدون داده‌های قابل اندازه‌گیری باقی بمانند. در این پژوهش راه‌حلی کاربردی برای این مشکل ارائه داده شده است و از شبکه‌های عصبی مبتنی بر فیزیک با رویکرد معکوس برای ترکیب داده‌های پراکنده با قوانین فیزیکی استفاده گردیده است. برای ارزیابی توانایی این شبکه‌ها در حل مسائل جریان سیال در محیط‌های متخلخل ساده، حل تحلیلی معادلات دیفرانسیلی و روش‌های عددی اجزا محدود و تفاضل محدود برای تولید داده‌های مرجع مورد استفاده قرار گرفتند تا مجموعه داده‌های لازم برای آموزش شبکه عصبی مبتنی بر فیزیک فراهم گردد. در مرحله بعد، شبکه عصبی مبتنی بر فیزیک با استفاده از پرسپترون چندلایه و قوانین فیزیکی و شرایط مرزی و اولیه به عنوان قیود آموزشی تخمین جریان سیال در نظر گرفته شدند. در این بخش، توابع فعال‌سازی مختلفی آزمایش شدند و در نهایت، تابع تانژانت هایپربولیک برای مدل‌سازی انتخاب شد. همچنین از بهینه ساز های مختلفی از جمله Adam و L-BFGS در این مدلسازی ها استفاده شد تا نتایج به خوبی به مقادیر مدلسازی شده توسط روش های عددی نزدیک گردند. برای حالت تک‌فازی، ابتدا مدل یک‌بعدی جریان سیال در یک لوله با استفاده از معادله ناویر-استوکس شبیه‌سازی شد. معیارهای ارزیابی شامل ریشه میانگین مربعات خطا (0.0275)، ضریب تعیین (0.997) و ضریب همبستگی (0.996) بودند. سپس، با استفاده از نرم‌افزار COMSOL، مدل دو‌بعدی برای جریان سیال در یک محیط پیچیده‌تر انجام شد. سه مجموعه داده با تراکم‌های مختلف از نتایج این شبیه‌سازی تولید شد، که نتایج دو مجموعه اول بطور چشمگیری به نتایج مدل بدست آمده از نرم افزار COMSOL نزدیک بودند. در بررسی‌های تکمیلی، برای مجموعه داده‌ای با 28 سنسور اطراف سیلندر، ضریب تعیین و ریشه میانگین مربعات خطا به ترتیب برای مؤلفه‌های افقی و عمودی سرعت برابر 0.996 و 0.0251، و 0.969 و 0.0169 بودند. در حالت دو‌فازی نیز، معادله انتقال-پخش در حالت‌های یک‌بعدی و دو‌بعدی بررسی شد و داده‌های مورد نیاز از طریق شبیه‌سازی به روش تفاضل محدود محاسبه گردید. سپس، بخشی از این داده‌ها برای آموزش مدل استفاده شد که در حالت یک‌بعدی تابع هزینه برابر 6.1×〖10〗^(-5) و در حالت دو‌بعدی 8.7×〖10〗^(-4) به دست آمد. خطای نسبی L2-norm در حالت یک‌بعدی 175/0 درصد و در حالت دو‌بعدی 28/0 درصد محاسبه گردید. نتایج نهایی نشان داد که شبکه عصبی مبتنی بر فیزیک، به‌خوبی پروفایل‌های جریان سیال را حتی در شرایط کمبود داده بازسازی کرد و توانست در حل مسائل معادلات دیفرانسیل و پیش‌بینی رفتار جریان در محیط‌های متخلخل عملکردی قابل قبول و هم‌راستا با حل‌های عددی به نمایش بگذارد. این مدل، نه تنها امکان بازیابی میدان‌های سرعت را در سراسر دامنه مورد نظر فراهم می‌کند، بلکه با دقت بالا نتایج آن قابل تطبیق با نتایج حل عددی است و می‌تواند در تحلیل جریان‌های پیچیده در محیط‌های متخلخل بکار رود.