Hybrid LMANN Framework for Predicting Bioconvective Buongiorno Casson Nanofluid Flow over a Riga Plate
यह शोध पत्र एक हाइब्रिड लेवेनबर्ग-मार्क्वार्ड आर्टिफिशियल न्यूरल नेटवर्क (LMANN) ढांचे को विकसित और मान्य करता है जो MATLAB bvp5c सॉल्वर के संख्यात्मक समाधानों का प्रशिक्षण डेटा के रूप में उपयोग करके एक रिका प्लेट (Riga plate) के ऊपर जटिल बायो-कन्वेक्टिव बुओनर्गियो कैसन (Buongiorno Casson) नैनोफ्लुइड प्रवाह की सटीक भविष्यवाणी करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
इंजीनियरिंग और विनिर्माण की दुनिया में, तरल पदार्थ पानी जितने सरल नहीं होते हैं। उद्योग में उपयोग की जाने वाली कई सामग्रियां, जैसे कि गाढ़े स्नेहक (लुब्रिकेंट्स) और ड्रिलिंग मड से लेकर जैविक सस्पेंशन और पिघले हुए पॉलिमर तक, एक समान सहजता से नहीं बहते हैं। इसके बजाय, उनकी गति के प्रति प्रतिरोध इस बात पर निर्भर करता है कि उन्हें कितनी जोर से धकेला या खींचा जा रहा है। वैज्ञानिक इन तरल पदार्थों को नॉन-न्यूटनियन (non-Newtonian) तरल पदार्थ कहते हैं, और यह समझना कि वे कैसे चलते हैं, सतहों को कोट करने से लेकर इलेक्ट्रॉनिक घटकों को ठंडा करने तक, हर चीज़ के लिए महत्वपूर्ण है। इसे और अधिक जटिल बनाने के लिए, इंजीनियर अक्सर इन तरल पदार्थों में नैनोकणों (nanoparticles) के रूप में सूक्ष्म ठोस कण मिलाते हैं, ताकि उनकी ऊष्मा ले जाने की क्षमता को बढ़ाया जा सके। जब इन मिश्रणों को चुंबकीय क्षेत्रों के अधीन भी किया जाता है या इनमें जीवित, तैरने वाले सूक्ष्मजीव शामिल होते हैं, तो भौतिकी परस्पर क्रिया करने वाले बलों का एक उलझा हुआ जाल बन जाती है। ऐसे条件下 इस तरल के व्यवहार की सटीक भविष्यवाणी करना कठिन है क्योंकि प्रवाह को नियंत्रित करने वाले समीकरण अत्यधिक गैर-रेखीय (nonlinear) होते हैं, जिसका अर्थ है कि एक कारक में छोटे बदलाव पूरे सिस्टम में अप्रत्याशित बदलाव ला सकते हैं।
शोधकर्ताओं की एक टीम ने एक विशिष्ट, जटिल तरल मिश्रण के व्यवहार की भविष्यवाणी करने का एक नया तरीका विकसित करके इस चुनौती का सामना किया है, जो एक विशेष प्रकार की सतह के ऊपर बह रहा है। उन्होंने एक ऐसे तरल पर ध्यान केंद्रित किया जो कैसन (Casson) तरल के गुणों को जोड़ता है, जो एक निश्चित बल लगाने तक गाढ़े पेस्ट की तरह व्यवहार करता है, और विलियमसन (Williamson) तरल के साथ, जो लोचदार गुण प्रदर्शित करता है। यह मिश्रण एक रिगा प्लेट (Riga plate) के ऊपर बहता है, जो एक ऐसी सतह है जो इलेक्ट्रोड्स और चुंबकों से लैस है जो तरल की गति को नियंत्रित करने के लिए एक विशिष्ट विद्युत चुम्बकीय बल उत्पन्न करती है। अध्ययन सूक्ष्मजीवों (microorganisms) की उपस्थिति को भी ध्यान में रखता है, जो तरल में तैरते हैं और अपनी स्वयं की धाराएं बनाते हैं, और सक्रियण ऊर्जा (activation energy) के प्रभावों को भी देखता है, जो यह प्रभावित करता है कि रासायनिक प्रतिक्रियाएं कैसे आगे बढ़ती हैं। इसे हल करने के लिए, शोधकर्ताओं ने पहले तरल के वेग, तापमान और कणों एवं सूक्ष्मजीवों की सांद्रता की गणना करने के लिए पारंपरिक संख्यात्मक विधियों का उपयोग किया। फिर उन्होंने इन गणनाओं का उपयोग एक हाइब्रिड आर्टिफिशियल इंटेलिजेंस मॉडल, विशेष रूप से एक लेवनबर्ग-मार्क्वार्ड आर्टिफिशियल न्यूरल नेटवर्क (Levenberg–Marquardt artificial neural network) को प्रशिक्षित करने के लिए किया। इस कंप्यूटर सिस्टम ने डेटा में पैटर्न को सीखा, जिससे यह बिना हर बार जटिल समीकरणों को शुरू से हल किए, उच्च गति और सटीकता के साथ तरल के व्यवहार की भविष्यवाणी करने में सक्षम हुआ।
शोधकर्ताओं ने पाया कि रिगा प्लेट द्वारा उत्पन्न विद्युत चुम्बकीय बल तरल की गति पर एक शक्तिशाली ब्रेक के रूप में कार्य करता है, जो प्रभावी रूप से उस सीमा परत (boundary layer) को नियंत्रित करता है जहाँ तरल सबसे तेजी से चलता है। हालांकि, तरल का अपना आंतरिक प्रतिरोध भी एक प्रमुख भूमिका निभाता है। उन मापदंडों को बढ़ाने से जो तरल की मोटाई और लोच को परिभाषित करते हैं, जैसे कि कैसन और विलियमसन पैरामीटर, प्रवाह की गति काफी कम हो जाती है। इसके विपरीत, जब तापमान के अंतर और सूक्ष्मजीवों की उपस्थिति के कारण उत्प्लावकता (buoyancy) बल मजबूत होते हैं, तो तरल की गति बढ़ जाती है। अध्ययन ने यह भी खुलासा किया कि इस प्रणाली के भीतर ऊष्मा और द्रव्य का परिवहन कैसे होता है। तापीय विकिरण (thermal radiation) और नैनोकणों की यादृच्छिक गति जैसे कारक तरल के तापमान को बढ़ाते हैं, जबकि सतह के माध्यम से तरल का अवशोषण (suction) या उच्च प्रैंड्टल संख्या (Prandtl number), जो यह बताता है कि ऊष्मा कितनी आसानी से प्रसारित होती है, इसे ठंडा करता है। जीवित सूक्ष्मजीवों की उपस्थिति जटिलता की एक और परत जोड़ती है; उनकी गति प्रवाह की गति और अन्य कणों की सांद्रता से प्रभावित होती है, जो जैविक गतिविधि और भौतिक परिवहन के बीच एक गतिशील संतुलन बनाती है।
अपने नए भविष्यवाणी उपकरण को विश्वसनीय बनाने के लिए, टीम ने इसे कठोर परीक्षणों के अधीन किया। उन्होंने अपने न्यूरल नेटवर्क की भविष्यवाणियों की तुलना पहले से गणना किए गए विस्तृत संख्यात्मक समाधानों के साथ की। परिणामों ने लगभग पूर्ण मिलान दिखाया, जिसमें आर्टिफिशियल इंटेलिजेंस मॉडल ने नगण्य त्रुटि के साथ वेग, तापमान और सांद्रता प्रोफाइल की भविष्यवाणी की। मॉडल ने विभिन्न भौतिक मापदंडों और परिणामी प्रवाह व्यवहार के बीच जटिल संबंधों को सफलतापूर्वक सीखा। उदाहरण के लिए, जब शोधकर्ताओं ने सक्रियण ऊर्जा बढ़ाई, जो रासायनिक प्रतिक्रियाओं के लिए ऊर्जा अवरोध का प्रतिनिधित्व करती है, तो मॉडल ने सही ढंग से भविष्यवाणी की कि नैनोकणों की सांद्रता और सूक्ष्मजीवों का घनत्व बढ़ जाएगा क्योंकि उन्हें खपत करने वाली रासायनिक प्रतिक्रियाएं धीमी हो गईं। इसी तरह, मॉडल ने सटीक रूप से पकड़ा कि तापीय विश्रांति समय (thermal relaxation time) को बढ़ाने से, जो ऊष्मा प्रसार में होने वाली देरी को ध्यान में रखता है, सतह पर तापमान प्रवणता (temperature gradient) कम हो जाएगी।
यह अध्ययन पुष्टि करता है कि यह हाइब्रिड दृष्टिकोण, पारंपरिक संख्यात्मक सिमुलेशन और मशीन लर्निंग को जोड़कर, इन जटिल बायोकन्वेक्टिव (bioconvective) प्रवाहों को मॉडल करने का एक मजबूत और कुशल तरीका प्रदान करता है। न्यूरल नेटवर्क तेजी से अभिसरित (converged) हुआ, जिसने कुछ ही सेकंड में आवश्यक पैटर्न सीख लिए और यह प्रदर्शित किया कि वह ओवरफिटिंग के बिना नए डेटा के लिए अच्छी तरह से सामान्यीकरण कर सकता है। इसका अर्थ यह है कि मॉडल केवल उन विशिष्ट मामलों को याद नहीं कर रहा है जिन पर इसे प्रशिक्षित किया गया था, बल्कि इसने अंतर्निहित भौतिकी को वास्तव में समझ लिया है। शोधकर्ता निष्कर्ष निकालते हैं कि यह ढांचा समान गैर-रेखीय परिवहन समस्याओं के विश्लेषण के लिए एक शक्तिशाली कम्प्यूटेशनल टूल प्रदान करता है। इन परिष्कृत तरल पदार्थों के व्यवहार की सटीक भविष्यवाणी करके, इंजीनियर थर्मल प्रबंधन, रासायनिक प्रसंस्करण और बायोमेडिकल अनुप्रयोगों के लिए प्रणालियों को बेहतर ढंग से डिजाइन कर सकते हैं जहाँ जटिल, कणों से युक्त तरल पदार्थों के प्रवाह को नियंत्रित करना आवश्यक है। यह कार्य भारी गणितीय मॉडलिंग और तीव्र, डेटा-संचालित भविष्यवाणी के बीच के अंतर को पाटता है, जो आधुनिक औद्योगिक तरल पदार्थों की जटिल भौतिकी को संभालने के लिए एक मार्ग प्रशस्त करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।