← أحدث الأبحاث
🔬 physics

Hybrid LMANN Framework for Predicting Bioconvective Buongiorno Casson Nanofluid Flow over a Riga Plate

تُطوّر هذه الورقة وتتحقق من صحة إطار عمل هجين للشبكة العصبية الاصطناعية بأسلوب ليفينبرج-ماركواردت (LMANN) يتنبأ بدقة بتدفق مائع بونجورنو كاسون النانوي ذي الحمل الحراري الحيوي المعقد فوق صفيحة ريغا، وذلك عبر الاستفادة من الحلول العددية من مُحلل bvp5c في برنامج MATLAB كبيانات تدريب.

المؤلفون الأصليون: K. R. Sekhar, Janke V Ramana Reddy, Gurram Dharmaiah, Seepana Praveenkumar, K. V. Nagaraja

نُشر 2026-09-04
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: K. R. Sekhar, Janke V Ramana Reddy, Gurram Dharmaiah, Seepana Praveenkumar, K. V. Nagaraja

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في عالم الهندسة والتصنيع، نادراً ما تكون السوائل بسيطة مثل الماء. فالعديد من المواد المستخدمة في الصناعة، من زيوت التشحيم الكثيفة وطين الحفر إلى المعلقات البيولوجية والبوليمرات المنصهرة، لا تتدفق بسلاسة ثابتة. بدلاً من ذلك، تتغير مقاومتها للحركة اعتماداً على مدى قوة الدفع أو السحب الممارس عليها. ويطلق العلماء على هذه السوائل اسم "السوائل غير النيوتونية"، وفهم كيفية حركتها أمر بالغ الأهمية لكل شيء، بدءاً من طلاء الأسطح وصولاً إلى تبريد المكونات الإلكترونية. ولزيادة تعقيد الأمر، غالباً ما يخلط المهندسون جزيئات صلبة دقيقة، تُعرف بالجسيمات النانوية، في هذه السوائل لتعزيز قدرتها على نقل الحرارة. وعندما تتعرض هذه المخاليط أيضاً لمجالات مغناطيسية أو تحتوي على كائنات مجهرية حية تسبح، يصبح علم الفيزياء عبارة عن شبكة متشابكة من القوى المتفاعلة. إن التنبؤ بكيفية سلوك مثل هذا السائل تحت هذه الظروف أمر صعب لأن المعادلات التي تحكم التدفق غير خطية للغاية، مما يعني أن التغييرات الصغيرة في عامل واحد يمكن أن تؤدي إلى تحولات غير متوقعة في النظام بأكمله.

لقد تصدى فريق من الباحثين لهذا التحدي عبر تطوير طريقة جديدة للتنبؤ بسلوك خليط سائل معقد ومحدد يتدفق فوق نوع خاص من الأسطح. فقد ركزوا على سائل يجمع بين خصائص "سائل كاسون" (Casson fluid)، الذي يتصرف مثل معجون كثيف حتى يتم تطبيق قوة معينة، وسائل "ويليامسون" (Williamson fluid)، الذي يُظهر خصائص مرنة. يتدفق هذا الخليط فوق "لوحة ريجا" (Riga plate)، وهي سطح مجهز بأقطاب كهربائية ومغانط تولد قوة كهرومغناطيسية محددة للتحكم في حركة السائل. كما تأخذ الدراسة في الاعتبار وجود كائنات مجهرية متحركة، تسبح عبر السائل وتخلق تياراتها الخاصة، بالإضافة إلى تأثيرات طاقة التنشيط، التي تؤثر على كيفية سير التفاعلات الكيميائية داخل التدفق. ولحل هذه المسألة، استخدم الباحثون أولاً طرقاً عددية تقليدية لحساب سرعة السائل، ودرجة حرارته، وتركيز الجسيمات والكائنات المجهرية. ثم استخدموا هذه الحسابات لتدريب نموذج ذكاء اصطناعي هجين، وتحديداً "شبكة عصبية اصطناعية من نوع ليفنبرج-ماركوات" (Levenberg–Marquardt). تعلم هذا النظام الحاسوبي الأنماط الموجودة في البيانات، مما سمح له بالتنبؤ بسلوك السائل بسرعة ودقة عالية دون الحاجة إلى حل المعادلات المعقدة من الصفر في كل مرة.

وجد الباحثون أن القوة الكهرومغناطيسية الناتجة عن لوحة ريجا تعمل كمكبح قوي لحركة السائل، مما يتحكم بفعالية في الطبقة الحدودية حيث يتحرك السائل بأقصى سرعة. ومع ذلك، تلعب المقاومة الداخلية للسائل دوراً رئيسياً أيضاً؛ إذ إن زيادة المعايير التي تحدد كثافة ومرونة السائل، مثل معايير كاسون وويليامسون، تبطئ التدفق بشكل كبير. وعلى العكس من ذلك، عندما تقوى قوى الطفو الناتجة عن فروق درجات الحرارة ووجود الكائنات المجهرية، تزداد سرعة السائل. كما كشفت الدراسة عن كيفية انتقال الحرارة والكتلة داخل هذا النظام؛ فالعوامل مثل الإشعاع الحراري والحركة العشوائية للجسيمات النانوية تميل إلى رفع درجة حرارة السائل، بينما يؤدي شفط السائل عبر السطح أو ارتفاع "رقم براندتل" (Prandlet number) -الذي يتعلق بمدى سهولة انتشار الحرارة- إلى تبريده. وتضيف الكائنات المجهرية الحية طبقة أخرى من التعقيد؛ حيث تتأثر حركتها بسرعة التدفق وتركيز الجسيمات الأخرى، مما يخلق توازناً ديناميكياً بين النشاط البيولوجي والنقل الفيزيائي.

ولضمان موثوقية أداة التنبؤ الجديدة الخاصة بهم، أخضع الفريق نظامهم لاختبارات صارمة. فقد قارنوا تنبؤات الشبكة العصبية بالحلول العددية التفصيلية التي حسبوها سابقاً. وأظهرت النتائج تطابقاً شبه مثالي، حيث تنبأ نموذج الذكاء الاصطناعي بملفات السرعة ودرجة الحرارة والتركيز بهامش خطأ ضئيل جداً. نجح النموذج في تعلم العلاقات المعقدة بين مختلف المعايير الفيزيائية وسلوك التدفق الناتج عنها. فعلى سبيل المثال، عندما رفع الباحثون طاقة التنشيط، التي تمثل حاجز الطاقة للتفاعلات الكيميائية، تنبأ النموذج بشكل صحيح بأن تركيز الجسيمات النانوية وكثافة الكائنات المجهرية سيرتفعان لأن التفاعلات الكيميائية التي تستهلكهما قد تباطأت. وبالمثل، رصد النموذج بدقة كيف أن زيادة زمن الاسترخاء الحراري، الذي يأخذ في الاعسبار التأخر في انتشار الحرارة، سيؤدي إلى تقليل تدرج درجة الحرارة عند السطح.

تؤكد الدراسة أن هذا النهج الهجين، الذي يجمع بين المحاكاة العددية التقليدية والتعلم الآلي، يوفر طريقة قوية وفعالة لنمذجة تدفقات الحمل الحراري البيولوجي المعقدة هذه. لقد تقاربت الشبكة العصبية بسرعة، حيث تعلمت الأنماط اللازمة في غضون ثوانٍ، وأثبتت قدرتها على التعميم بشكل جيد على بيانات جديدة دون الوقوع في فخ "الفرط في التخصيص" (overfitting). وهذا يعني أن النموذج لا يحفظ الحالات المحددة التي تدرب عليها فحسب، بل استوعب حقاً الفيزياء الكامنة وراءها. ويخلص الباحثون إلى أن هذا الإطار يوفر أداة حوسبة قوية لتحليل مشكلات النقل غير الخطية المماثلة. ومن خلال التنبؤ بدقة بكيفية سلوك هذه السوائل المتطورة، يمكن للمهندسين تصميم أنظمة أفضل للإدارة الحرارية، والمعالجة الكيميائية، والتطبيقات الطبية الحيوية حيث يكون التحكم في تدفق السوائل المعقدة والمحملة بالجسيمات أمراً ضرورياً. إن هذا العمل يسد الفجوة بين النمذجة الرياضية الثقيلة والتنبؤ السريع القائم على البيانات، مما يفتح مساراً مستقبلياً للتعامل مع الفيزياء المعقدة للسوائل الصناعية الحديثة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🔬 physics →