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

Los fluidos que no se comportan como el agua están en todas partes en el mundo moderno, desde el espeso chocolate fluido en una fábrica hasta el complejo movimiento de la sangre dentro de nuestros cuerpos. A diferencia de los líquidos simples que fluyen suavemente bajo cualquier fuerza, estos fluidos especiales, conocidos como fluidos no newtonianos, pueden cambiar su resistencia dependiendo de qué tan fuerte se les empuje o se les tire. Algunos actúan como sólidos hasta que se aplica una fuerza específica, momento en el cual comienzan a fluir repentinamente. Cuando estos fluidos también contienen partículas diminutas que pueden girar o rotar por sí mismas, la física se vuelve aún más intrincada. Los ingenieros y científicos necesitan entender exactamente cómo se mueven estos materiales y cómo transfieren calor, especialmente cuando son forzados a través de materiales porosos como esponjas o filtros, o cuando se exponen a campos magnéticos e calor intenso. Obtener estos cálculos correctamente es vital para diseñar mejores procesos industriales, mejorar el aislamiento térmico y crear sistemas de energía más eficientes. Sin embargo, resolver las complejas ecuaciones matemáticas que describen estos comportamientos es notoriamente difícil, requiriendo a menudo una potencia de cómputo y un tiempo inmensos.

Un equipo de investigadores de la Universidad Quaid-i-Azam en Pakistán y la Universidad Islámica de Madinah en Arabia Saudita ha abordado este desafío probando una nueva forma de resolver estos problemas utilizando inteligencia artificial. Se centraron en un tipo específico de fluido que combina las propiedades de un fluido de Casson, que se comporta como un sólido hasta que se le empuja, con un fluido micropolar, donde las diminutas partículas en su interior pueden rotar. Modelaron cómo este fluido se mueve alrededor de una forma cilíndrica, como una tubería, mientras pasa a través de un medio poroso. Su modelo incluyó varios factores del mundo real que complican el flujo, incluyendo el calentamiento causado por corrientes eléctricas, los efectos de la radiación térmica, reacciones químicas y la forma en que el calor se genera o se absorbe dentro del fluido mismo. En lugar de depender únicamente de los métodos numéricos tradicionales y lentos para predecir la velocidad, la temperatura y la concentración del fluido, los investigadores entrenaron dos tipos diferentes de algoritmos de aprendizaje automático para aprender la física del sistema.

El primer algoritmo que utilizaron fue una red neuronal artificial, un sistema informático diseñado para imitar la forma en que el cerebro humano procesa la información al encontrar patrones en los datos. El segundo enfoque, más avanzado, fue una red neuronal informada por la física. Este sistema es único porque no solo observa datos; está construido con las leyes reales de la física escritas directamente en su código. Esto significa que la computadora se ve obligada a obedecer las reglas del movimiento de los fluidos, la transferencia de calor y la conservación de la masa mientras aprende, en lugar de simplemente adivinar basándose en ejemplos. Los investigadores establecieron una prueba rigurosa para ver qué tan bien estos sistemas inteligentes podían predecir el comportamiento del fluido en comparación con un método numérico estándar y altamente confiable conocido como BVP4c, que es una herramienta convencional para resolver tales ecuaciones. Ejecutaron sus simulaciones a lo largo de un rango de iteraciones, comenzando con un pequeño número de ciclos de aprendizaje e incrementando la cuenta significamente para ver cómo mejoraba la precisión.

Los resultados mostraron que los enfoques de aprendizaje automático eran no solo capaces, sino altamente efectivos. Cuando las redes neuronales recibieron solo mil ciclos de aprendizaje, sus predicciones eran algo erróneas, fallando en capturar los detalles precisos del movimiento del fluido y la distribución de la temperatura. Sin embargo, a medida que los investigadores aumentaron el número de iteraciones a veinte mil, la imagen cambió drásticamente. Las predicciones tanto de la red neuronal artificial estándar como de la versión informada por la física comenzaron a superponerse casi perfectamente con los resultados del método numérico tradicional. El error entre las predicciones de la máquina y las soluciones de referencia establecidas cayó a niveles extremadamente bajos, indicando que los modelos habían aprendido la física subyacente con alta fidelidad. El estudio confirmó que la red informada por la física, en particular, podía generar soluciones estables y auténticas que coincidían con la compleja realidad del flujo de fluidos sin la necesidad de cálculos repetitivos y lentos.

Los investigadores también examinaron cómo factores físicos específicos influían en el fluido. Encontraron que a medida que aumentaba la fuerza del campo magnético, la velocidad del fluido disminuía, un resultado de la fuerza magnética que empuja contra el movimiento de las partículas del fluido. Del mismo modo, observaron que el aumento de la radiación térmica causaba un aumento en la temperatura del fluido, mientras que las reacciones químicas más fuertes causaban una disminución en la concentración de los componentes del fluido. A lo largo de estas pruebas, los modelos de aprendizaje automático se mantuvieron robustos, rastreando con precisión estos cambios y manteniendo la estabilidad incluso cuando las condiciones se volvían más complejas. El estudio concluyó que estos algoritmos inteligentes ofrecen una alternativa fiable y eficiente a las técnicas numéricas convencionales para resolver las ecuaciones no lineales que gobiernan tales sistemas de fluidos complejos. Al demostrar que estas redes pueden converger hacia soluciones precisas con un error mínimo, el trabajo sugiere una poderosa nueva herramienta para ingenieros y científicos que necesitan simular y comprender el comportamiento de fluidos avanzados en aplicaciones industriales y biológicas.