Hybrid LMANN Framework for Predicting Bioconvective Buongiorno Casson Nanofluid Flow over a Riga Plate
Cet article développe et valide un cadre de réseau de neurones artificiels hybride Levenberg–Marquardt (LMANN) qui prédit avec précision l'écoulement complexe d'un nanofluide de Buongiorno-Casson par bioconvection sur une plaque de Riga en exploitant les solutions numériques d'un solveur MATLAB bvp5c comme données d'entraînement.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde de l'ingénierie et de la fabrication, les fluides sont rarement aussi simples que l'eau. De nombreux matériaux utilisés dans l'industrie, des lubrifiants épais et des boues de forage aux suspensions biologiques et aux polymères fondus, ne s'écoulent pas avec une aisance constante. Au lieu de cela, leur résistance au mouvement change en fonction de la force avec laquelle ils sont poussés ou tirés. Les scientifiques appellent ces fluides des fluides non newtoniens, et comprendre comment ils se déplacent est crucial pour tout, du revêtement de surfaces au refroidissement de composants électroniques. Pour complexifier davantage la donne, les ingénieurs mélangent souvent de minuscules particules solides, appelées nanoparticules, à ces fluides pour renforcer leur capacité de transfert thermique. Lorsque ces mélanges sont également soumis à des champs magnétiques ou contiennent des micro-organismes vivants et nageurs, la physique devient un réseau complexe de forces en interaction. Prédire exactement comment un tel fluide se comportera dans ces conditions est difficile car les équations régissant l'écoulement sont hautement non linéaires, ce qui signifie que de petits changements dans un facteur peuvent entraîner des variations imprévisibles dans l'ensemble du système.
Une équipe de chercheurs a relevé ce défi en développant une nouvelle façon de prédire le comportement d'un mélange de fluides complexes spécifique s'écoulant sur une surface de type particulier. Ils se sont concentrés sur un fluide qui combine les propriétés d'un fluide de Casson, qui se comporte comme une pâte épaisse jusqu'à ce qu'une certaine force soit appliquée, avec un fluide de Williamson, qui présente des propriétés élastiques. Ce mélange s'écoule sur une plaque de Riga, une surface équipée d'électrodes et d'aimants qui génèrent une force électromagnétique spécifique pour contrôler le mouvement du fluide. L'étude tient également compte de la présence de micro-organismes mobiles, qui nagent à travers le fluide et créent leurs propres courants, ainsi que des effets de l'énergie d'activation, qui influence la manière dont les réactions chimiques progressent au sein de l'écoulement. Pour résoudre cela, les chercheurs ont d'abord utilisé des méthodes numériques traditionnelles pour calculer la vitesse du fluide, la température et la concentration des particules et des microbes. Ils ont ensuite utilisé ces calculs pour entraîner un modèle d'intelligence artificielle hybride, plus précisément un réseau de neurones artificiels de type Levenberg–Marquardt. Ce système informatique a appris les modèles des données, permettant de prédire le comportement du fluide avec rapidité et précision sans avoir besoin de résoudre les équations complexes à chaque fois.
Les chercheurs ont découvert que la force électromagnétique générée par la plaque de Riga agit comme un puissant frein sur le mouvement du fluide, contrôlant efficacement la couche limite où le fluide se déplace le plus rapidement. Cependant, la propre résistance interne du fluide joue également un rôle majeur. L'augmentation des paramètres définissant l'épaisseur et l'élasticité du fluide, tels que les paramètres de Casson et de Williamson, ralentit considérablement l'écoulement. À l'inverse, lorsque les forces de flottabilité causées par les différences de température et la présence de micro-organismes sont renforcées, le fluide accélère. L'étude a également révélé comment la chaleur et la masse sont transportées au sein de ce système. Des facteurs tels que le rayonnement thermique et le mouvement aléatoire des nanoparticules ont tendance à augmenter la température du fluide, tandis que l'aspiration du fluide à travers la surface ou un nombre de Prandtl plus élevé, qui est lié à la facilité avec laquelle la chaleur se diffuse, le refroidissent. La présence de micro-organismes vivants ajoute une autre couche de complexité ; leur mouvement est influencé par la vitesse d'écoulement et la concentration d'autres particules, créant un équilibre dynamique entre l'activité biologique et le transport physique.
Pour s'assurer que leur nouvel outil de prédiction était fiable, l'équipe l'a soumis à des tests rigoureux. Ils ont comparé les prédictions du réseau neuronal aux solutions numériques détaillées qu'ils avaient calculées précédemment. Les résultats ont montré une correspondance presque parfaite, le modèle d'intelligence artificielle prédisant les profils de vitesse, de température et de concentration avec une erreur négligeable. Le modèle a réussi à apprendre les relations complexes entre les divers paramètres physiques et le comportement de l'écoulement résultant. Par exemple, lorsque les chercheurs augmentaient l'énergie d'activation, qui représente la barrière énergétique pour les réactions chimiques, le modèle prédisait correctement que la concentration de nanoparticules et la densité de micro-organismes augmenteraient car les réactions chimiques les consommant ralentiraient. De même, le modèle a capturé avec précision comment l'augmentation du temps de relaxation thermique, qui rend compte du délai de propagation de la chaleur, réduirait le gradient de température à la surface.
L'étude confirme que cette approche hybride, combinant la simulation numérique traditionnelle et l'apprentissage automatique, offre un moyen robuste et efficace de modéliser ces écoulements bioconvectifs complexes. Le réseau neuronal a convergé rapidement, apprenant les modèles nécessaires en quelques secondes et démontrant qu'il pouvait bien se généraliser à de nouvelles données sans surapprentissage. Cela signifie que le modèle ne se contente pas de mémoriser les cas spécifiques sur lesquels il a été entraîné, mais qu'il a véritablement compris la physique sous-jacente. Les chercheurs concluent que ce cadre constitue un outil de calcul puissant pour analyser des problèmes de transport non linéaires similaires. En prédisant avec précision comment ces fluides sophistiqués se comportent, les ingénieurs peuvent mieux concevoir des systèmes pour la gestion thermique, le traitement chimique et les applications biomédicales où le contrôle de l'écoulement de fluides complexes chargés de particules est essentiel. Ce travail comble le fossé entre la modélisation mathématique lourde et la prédiction rapide basée sur les données, offrant une voie d'avenir pour la gestion de la physique complexe des fluides industriels modernes.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.