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

Les fluides qui ne se comportent pas comme l'eau sont partout dans le monde moderne, du chocolat épais et fluide dans une usine au mouvement complexe du sang dans nos corps. Contrairement aux liquides simples qui s'écoulent de manière fluide sous n'importe quelle force, ces fluides spéciaux, connus sous le nom de fluides non newtoniens, peuvent changer leur résistance en fonction de la force avec laquelle ils sont poussés ou tirés. Certains agissent comme des solides jusqu'à ce qu'une force spécifique soit appliquée, moment auquel ils commencent soudainement à s'écouler. Lorsque ces fluides contiennent également de minuscules particules capables de tourner ou de pivoter d'elles-mêmes, la physique devient encore plus complexe. Les ingénieurs et les scientifiques doivent comprendre exactement comment ces matériaux se déplacent et transfèrent la chaleur, en particulier lorsqu'ils sont forcés à travers des matériaux poreux comme des éponges ou des filtres, ou lorsqu'ils sont exposés à des champs magnétiques et à une chaleur intense. Réussir ces calculs est vital pour concevoir de meilleurs processus industriels, améliorer l'isolation thermique et créer des systèmes énergétiques plus efficaces. Cependant, résoudre les équations mathématiques complexes qui décrivent ces comportements est notoirement difficile, nécessitant souvent une puissance de calcul et un temps immenses.

Une équipe de chercheurs de l'Université Quaid-i-Azam du Pakistan et de l'Université Islamique de Médine en Arabie saoudite a relevé ce défi en testant une nouvelle façon de résoudre ces problèmes en utilisant l'intelligence artificielle. Ils se sont concentrés sur un type spécifique de fluide qui combine les propriétés d'un fluide de Casson, qui se comporte comme un solide jusqu'à ce qu'il soit poussé, avec un fluide micropolaire, où les minuscules particules à l'intérieur peuvent pivoter. Ils ont modélisé la façon dont ce fluide se déplace autour d'une forme cylindrique, telle qu'un tuyau, tout en passant à travers un milieu poreux. Leur modèle incluait plusieurs facteurs du monde réel qui compliquent l'écoulement, notamment le chauffage causé par des courants électriques, les effets du rayonnement thermique, les réactions chimiques et la manière dont la chaleur est générée ou absorbée au sein du fluide lui-même. Au lieu de s'appuyer uniquement sur les méthodes numériques traditionnelles et lentes pour prédire la vitesse, la température et la concentration du fluide, les chercheurs ont entraîné deux types différents d'algorithmes d'apprentissage automatique pour apprendre la physique du système.

Le premier algorithme qu'ils ont utilisé était un réseau de neurones artificiels, un système informatique conçu pour imiter la façon dont le cerveau humain traite l'information en trouvant des modèles dans les données. La seconde approche, plus avancée, était un réseau de neurones informé par la physique. Ce système est unique car il ne se contente pas d'analyser des données ; il est construit avec les lois réelles de la physique directement intégrées dans son code. Cela signifie que l'ordinateur est contraint de respecter les règles du mouvement des fluides, du transfert de chaleur et de la conservation de la masse pendant son apprentissage, plutôt que de simplement deviner à partir d'exemples. Les chercheurs ont mis en place un test rigoureux pour voir avec quelle efficacité ces systèmes intelligents pouvaient prédire le comportement du fluide par rapport à une méthode numérique standard hautement fiable connue sous le nom de BVP4c, qui est un outil conventionnel pour résoudre de telles équations. Ils ont lancé leurs simulations sur une gamme d'itérations, commençant par un petit nombre de cycles d'apprentissage et augmentant considérablement le compte pour voir comment la précision s'améliorait.

Les résultats ont montré que les approches d'apprentissage automatique étaient non seulement capables mais hautement efficaces. Lorsque les réseaux de neurones ne recevaient que mille cycles d'apprentissage, leurs prédictions étaient quelque peu imprécises, échouant à capturer les détails précis du mouvement du fluide et de la distribution de la température. Cependant, à mesure que les chercheurs augmentaient le nombre d'itérations à vingt mille, la situation changeait radicalement. Les prédictions du réseau de neurones artificiel standard et de la version informée par la physique commençaient à se superposer presque parfaitement avec les résultats de la méthode numérique traditionnelle. L'erreur entre les prédictions de la machine et les solutions de référence établies tombait à des niveaux extrêmement bas, indiquant que les modèles avaient appris la physique sous-jacente avec une grande fidélité. L'étude a confirmé que le réseau informé par la physique, en particulier, pouvait générer des solutions stables et authentiques qui correspondaient à la réalité complexe de l'écoulement du fluide sans avoir besoin de calculs répétitifs et chronophages.

Les chercheurs ont également examiné comment des facteurs physiques spécifiques influençaient le fluide. Ils ont découvert qu'à mesure que l'intensité du champ magnétique augmentait, la vitesse du fluide ralentissait, un résultat de la force magnétique poussant contre le mouvement des particules du fluide. De même, ils ont observé que l'augmentation du rayonnement thermique faisait augmenter la température du fluide, tandis que des réactions chimiques plus fortes faisaient diminuer la concentration des composants du fluide. Tout au long de ces tests, les modèles d'apprentissage automatique sont restés robustes, suivant avec précision ces changements et maintenant la stabilité même lorsque les conditions devenaient plus complexes. L'étude a conclu que ces algorithmes intelligents offrent une alternative fiable et efficace aux techniques numériques conventionnelles pour résoudre les équations non linéaires qui régissent de tels systèmes de fluides complexes. En prouvant que ces réseaux peuvent converger vers des solutions précises avec un minimum d'erreur, ce travail suggère un nouvel outil puissant pour les ingénieurs et les scientifiques qui doivent simuler et comprendre le comportement de fluides avancés dans des applications industrielles et biologiques.