Hybrid LMANN Framework for Predicting Bioconvective Buongiorno Casson Nanofluid Flow over a Riga Plate
Este artículo desarrolla y valida un marco de red neuronal artificial híbrida de Levenberg–Marquardt (LMANN) que predice con precisión el complejo flujo de nanofluido de bioconvección de tipo Buongiorno-Casson sobre una placa de Riga, aprovechando soluciones numéricas de un solver bvp5c de MATLAB como datos de entrenamiento.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el mundo de la ingeniería y la fabricación, los fluidos rara vez son tan simples como el agua. Muchos materiales utilizados en la industria, desde lubricantes espesos y lodos de perforación hasta suspensiones biológicas y polímeros fundidos, no fluyen con una facilidad constante. En cambio, su resistencia al movimiento cambia dependiendo de qué tan fuerte se les empuje o se les jale. Los científicos llaman a estos fluidos no newtonianos, y comprender cómo se mueven es crítico para todo, desde el recubrimiento de superficies hasta el enfriamiento de componentes electrónicos. Para complicar más las cosas, los ingenieros suelen mezclar diminutas partículas sólidas, conocidas como nanopartículas, en estos fluidos para aumentar su capacidad de transportar calor. Cuando estas mezclas también se someten a campos magnéticos o contienen microorganismos vivos que nadan, la física se convierte en una red enredada de fuerzas que interactúan entre sí. Predecir exactamente cómo se comportará un fluido de este tipo bajo estas condiciones es difícil porque las ecuaciones que gobiernan el flujo son altamente no lineales, lo que significa que pequeños cambios en un factor pueden conducir a cambios impredecibles en todo el sistema.
Un equipo de investigadores ha abordado este desafío desarrollando una nueva forma de predecir el comportamiento de una mezcla de fluido específica y compleja que fluye sobre un tipo especial de superficie. Se centraron en un fluido que combina las propiedades de un fluido de Casson, que se comporta como una pasta espesa hasta que se aplica cierta fuerza, con un fluido de Williamson, que exhibe propiedades elásticas. Esta mezcla fluye sobre una placa de Riga, una superficie equipada con electrodos y magnetos que generan una fuerza electromagnética específica para controlar el movimiento del fluido. El estudio también tiene en cuenta la presencia de microorganismos móviles, que nadan a través del fluido y crean sus propias corrientes, y los efectos de la energía de activación, que influye en cómo proceden las reacciones químicas dentro del flujo. Para resolver esto, los investigadores primero utilizaron métodos numéricos tradicionales para calcular la velocidad, la temperatura y la concentración de partículas y microbios del fluido. Luego utilizaron estos cálculos para entrenar un modelo de inteligencia artificial híbrida, específicamente una red neuronal artificial de Levenberg–Marquardt. Este sistema informático aprendió los patrones de los datos, lo que le permitió predecir el comportamiento del fluido con alta velocidad y precisión sin necesidad de resolver las complejas ecuaciones desde cero cada vez.
Los investigadores descubrieron que la fuerza electromagnética generada por la placa de Riga actúa como un potente freno para el movimiento del fluido, controlando eficazmente la capa límite donde el fluido se mueve más rápido. Sin embargo, la propia resistencia interna del fluido también juega un papel importante. Aumentar los parámetros que definen el grosor y la elasticidad del fluido, como los parámetros de Casson y Williamson, ralentiza significamente el flujo. Por el contrario, cuando las fuerzas de flotabilidad causadas por las diferencias de temperatura y la presencia de microorganismos se fortalecen, el fluido se acelera. El estudio también reveló cómo se transportan el calor y la masa dentro de este sistema. Factores como la radiación térmica y el movimiento aleatorio de las nanopartículas tienden a elevar la temperatura del fluido, mientras que la succión de fluido a través de la superficie o un número de Prandtl más alto, que se relaciona con la facilidad con la que se difunde el calor, lo enfrían. La presencia de microorganismos vivos añade otra capa de complejidad; su movimiento se ve influenciado por la velocidad del flujo y la concentración de otras partículas, creando un equilibrio dinámico entre la actividad biológica y el transporte físico.
Para asegurar que su nueva herramienta de predicción fuera fiable, el equipo la sometió a rigurosas pruebas. Compararon las predicciones de la red neuronal con las soluciones numéricas detalladas que habían calculado anteriormente. Los resultados mostraron una coincidencia casi perfecta, con la inteligencia artificial prediciendo los perfiles de velocidad, temperatura y concentración con un error insignificante. El modelo aprendió con éxito las intrincadas relaciones entre los diversos parámetros físicos y el comportamiento resultante del flujo. Por ejemplo, cuando los investigadores aumentaron la energía de activación, que representa la barrera energética para las reacciones químicas, el modelo predijo correctamente que la concentración de nanopartículas y la densidad de microorganismos aumentarían porque las reacciones químicas que los consumen se ralentizaron. Del mismo modo, el modelo capturó con precisión cómo el aumento del tiempo de relajación térmica, que tiene en cuenta el retraso en la propagación del calor, reduciría el gradiente de temperatura en la superficie.
El estudio confirma que este enfoque híbrido, que combina la simulación numérica tradicional con el aprendizaje automático, ofrece una forma robusta y eficiente de modelar estos flujos bioconvectivos complejos. La red neuronal convergió rápidamente, aprendiendo los patrones necesarios en cuestión de segundos y demostrando que podía generalizar bien a nuevos datos sin sobreajuste. Esto significa que el modelo no solo está memorizando los casos específicos para los que fue entrenado, sino que realmente ha comprendido la física subyacente. Los investigadores concluyen que este marco proporciona una poderosa herramienta computacional para analizar problemas de transporte no lineales similares. Al predecir con precisión cómo se comportan estos fluidos sofisticados, los ingenieros pueden diseñar mejor sistemas para la gestión térmica, el procesamiento químico y las aplicaciones biomédicas donde el control del flujo de fluidos complejos cargados de partículas es esencial. El trabajo cierra la brecha entre el modelado matemático pesado y la predicción rápida basada en datos, ofreciendo un camino a seguir para manejar la intrincada física de los fluidos industriales modernos.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.