Investigation of the Performance of Machine Learning Algorithms of Casson-Micropolar Nano Particles Around a Cylindrical Shape: ANN and PINN

إن السوائل التي لا تسلك سلوك الماء موجودة في كل مكان في العالم الحديث، من الشوكولاتة الكثيفة المتدفقة في المصانع إلى الحركة المعقدة للدم داخل أجسادنا. وخلافاً للسوائل البسيطة التي تتدفق بسلاسة تحت أي قوة، فإن هذه السوائل الخاصة، المعروفة باسم "السوائل غير النيوتونية"، يمكنها تغيير مقاومتها اعتماداً على مدى قوة الدفع أو السحب الممارس عليها. بعضها يتصرف كالمواد الصلبة حتى يتم تطبيق قوة معينة، وعند تلك النقطة تبدأ فجأة في التدفق. وعندما تحتوي هذه السوائل أيضاً على جزيئات دقيقة يمكنها الدوران أو التدوير من تلقاء نفسها، تصبح الفيزياء أكثر تعقيداً. ويحتاج المهندسون والعلماء إلى فهم كيفية تحرك هذه المواد وانتقال الحرارة فيها بدقة، خاصة عندما تُدفع عبر مواد مسامية مثل الإسفنج أو المرشحات، أو عندما تتعرض للمجالات المغناطيسية والحرارة الشديدة. إن ضبط هذه الحسابات بشكل صحيح أمر حيوي لتصميم عمليات صناعية أفضل، وتحسين العزل الحراري، وإنشاء أنظمة طاقة أكثر كفاءة. ومع ذلك، فإن حل المعادلات الرياضية المعقدة التي تصف هذه السلوكيات أمر صعب للغاية، وغالباً ما يتطلب قدرات حوسبة هائلة ووقتاً طويلاً.

لقد تصدى فريق من الباحثين من جامعة قائد الأخم في باكستان والجامعة الإسلامية بالمدينة المنورة في المملكة العربية السعودية لهذا التحدي من خلال اختبار طريقة جديدة لحل هذه المشكلات باستخدام الذكاء الاصطناعي. فقد ركزوا على نوع محدد من السوائل يجمع بين خصائص "سائل كاسون" (Casson fluid)، الذي يتصرف كالمادة الصلبة حتى يتم دفعه، و"السائل الميكروبولار" (micropolar fluid)، حيث يمكن للجزيئات الدقيقة الموجودة بداخله أن تدور. وقد قاموا بنمذجة كيفية حركة هذا السائل حول شكل أسطواني، مثل الأنبوب، أثناء مروره عبر وسط مسامي. تضمنت النمذجة الخاصة بهم عدة عوامل واقعية تزيد من تعقيد التدفق، بما في ذلك التسخين الناتج عن التيارات الكهربائية، وآثار الإشعاع الحراري، والتفاعلات الكيميائية، والطريقة التي تتولد أو تُمتص بها الحرارة داخل السائل نفسه. وبدلاً من الاعتماد فقط على الطرق العددية التقليدية البطيئة للتنبؤ بسرعة السائل ودرجة حرارته وتركيزه، قام الباحثون بتدريب نوعين مختلفين من خوارزميات تعلم الآلة لتعلم فيزياء النظام.

الخوارزمية الأولى التي استخدموها كانت "الشبكة العصبية الاصطناعية"، وهي نظام حاسوبي مصمم لمحاكاة الطريقة التي يعالج بها الدماغ البشري المعلومات من خلال إيجاد الأنماط في البيانات. أما النهج الثاني والأكثر تقدماً، فهو "الشبكة العصبية المستندة إلى الفيزياء" (physics-informed neural network). هذا النظام فريد من نوعه لأنه لا يكتفي بالنظر في البيانات فحسب؛ بل يتم بناؤه مع كتابة قوانين الفيزياء الفعلية مباشرة في كوده البرمجي. وهذا يعني أن الحاسوب مُجبر على الامتثال لقواعد حركة السوائل، وانتقال الحرارة، وحفظ الكتلة أثناء عملية التعلم، بدلاً من مجرد التخمين بناءً على الأمثلة. وقد وضع الباحثون اختباراً صارماً لمعرفة مدى قدرة هذه الأنظمة الذكية على التنبؤ بسلوك السائل مقارنة بطريقة عددية موثوقة للغاية تُعرف باسم (BVP4c)، وهي أداة تقليدية لحل مثل هذه المعادلات. وقد أجروا عمليات المحاكاة عبر مجموعة من الدورات، بدءاً من عدد صغير من دورات التعلم وزيادة العدد بشكل كبير لمراقبة كيفية تحسن الدقة.

أظهرت النتائج أن مناهج تعلم الآلة لم تكن قادرة فحسب، بل كانت فعالة للغاية. فعندما مُنحت الشبكات العصبية ألف دورة تعلم فقط، كانت تنبؤاتها غير دقيقة نوعاً ما، وفشلت في التقاط التفاصيل الدقيقة لحركة السائل وتوزيع درجة الحرارة. ومع ذلك، عندما رفع الباحثون عدد الدورات إلى عشرين ألف دورة، تغير المشهد تماماً؛ حيث بدأت التنبؤات من كل من الشبكة العصبية الاصطناعية القياسية والنسخة المستندة إلى الفيزياء في التداخل بشكل مثالي تقريباً مع نتائج الطريقة العددية التقليدية. وانخفض الخطأ بين تنبؤات الآلة والحلول المرجعية المعتمدة إلى مستويات منخفضة للغاية، مما يشير إلى أن النماذج قد تعلمت الفيزياء الأساسية بدقة عالية. وأكدت الدراسة أن الشبكة المستندة إلى الفيزياء، على وجه الخصوص، يمكنها توليد حلول مستقرة وأصلية تطابق الواقع المعقد لتدفق السوائل دون الحاجة إلى حسابات متكررة ومستهلكة للوقت.

كما فحص الباحثون كيف تؤثر عوامل فيزيائية محددة على السائل. ووجدوا أنه مع زيادة قوة المجال المغناطيسي، تتباطأ سرعة السائل، وهي نتيجة لقوة المغناطيس التي تدفع ضد حركة جزيئات السائل. وبالمثل، لاحظوا أن زيادة الإشعاع الحراري تسببت في ارتفاع درجة حرارة السائل، بينما أدت التفاعلات الكيميائية الأقوى إلى انخفاض تركيز مكونات السائل. وطوال هذه الاختبارات، ظلت نماذج تعلم الآلة قوية، حيث تتبعت هذه التغييرات بدقة وحافظت على استقرارها حتى مع ازدياد تعقيد الظروف. وخلصت الدراسة إلى أن هذه الخوارزميات الذكية توفر بديلاً موثوقاً وفعالاً للتقنيات العددية التقليدية لحل المعادلات غير الخطية التي تحكم مثل هذه الأنظمة السائلة المعقدة. ومن خلال إثبات قدرة هذه الشبكات على الوصول إلى حلول دقيقة بأقل قدر من الخطأ، تشير هذه الدراسة إلى أداة جديدة قوية للمهندسين والعلماء الذين يحتاجون إلى محاكاة وفهم سلوك السوائل المتقدمة في التطبيقات الصناعية والبيولوجية.