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

आधुनिक दुनिया में ऐसे तरल पदार्थ हर जगह मौजूद हैं जो पानी की तरह व्यवहार नहीं करते, जैसे कि एक कारखाने में बहता हुआ गाढ़ा चॉकलेट से लेकर हमारे शरीर के भीतर रक्त की जटिल गति तक। साधारण तरल पदार्थों के विपरीत, जो किसी भी बल के तहत सुचारू रूप से बहते हैं, ये विशेष तरल पदार्थ, जिन्हें नॉन-न्यूटनियन (non-Newtonian) तरल पदार्थ कहा जाता है, उन्हें कितनी जोर से धकेला या खींचा जा रहा है, इसके आधार पर अपना प्रतिरोध बदल सकते हैं। कुछ तरल पदार्थ तब तक ठोस की तरह व्यवहार करते हैं जब तक कि उन पर एक विशिष्ट बल लागू नहीं किया जाता, जिसके बाद वे अचानक बहने लगते हैं। जब इन तरल पदार्थों में ऐसे सूक्ष्म कण भी होते हैं जो अपने आप घूम या रोटेट कर सकते हैं, तो भौतिकी और भी जटिल हो जाती है। इंजीनियरों और वैज्ञानिकों को यह समझने की आवश्यकता होती है कि ये सामग्रियां ठीक से कैसे चलती हैं और ऊष्मा का हस्तांतरण कैसे करती हैं, विशेष रूप से जब उन्हें स्पंज या फिल्टर जैसी छिद्रयुक्त सामग्रियों के माध्यम से गुजारा जाता है, या जब उन्हें चुंबकीय क्षेत्रों और तीव्र ऊष्मा के संपर्क में लाया जाता है। इन गणनाओं को सही ढंग से करना बेहतर औद्योगिक प्रक्रियाओं को डिजाइन करने, थर्मल इन्सुलेशन में सुधार करने और अधिक कुशल ऊर्जा प्रणालियों बनाने के लिए अत्यंत महत्वपूर्ण है। हालांकि, इन व्यवहारों का वर्णन करने वाले जटिल गणितीय समीकरणों को हल करना बेहद कठिन होता है, जिसके लिए अक्सर अत्यधिक कंप्यूटिंग शक्ति और समय की आवश्यकता होती है।

क्वैड-ए-आज़म विश्वविद्यालय, पाकिस्तान और इस्लामी विश्वविद्यालय, मदीना के शोधकर्ताओं की एक टीम ने आर्टिफिशियल इंटेलिजेंस का उपयोग करके इन समस्याओं को हल करने के एक नए तरीके का परीक्षण करके इस चुनौती का सामना किया है। उन्होंने एक विशिष्ट प्रकार के तरल पदार्थ पर ध्यान केंद्रित किया जो कैसन (Casson) तरल के गुणों को जोड़ता है—जो धकेले जाने तक ठोस की तरह व्यवहार करता है—और एक माइक्रोपोलर (micropolar) तरल के गुणों को, जहाँ तरल के भीतर के सूक्ष्म कण घूम सकते हैं। उन्होंने इस बात का मॉडल तैयार किया कि यह तरल एक बेलनाकार आकार, जैसे कि पाइप, के चारों ओर कैसे घूमता है, जबकि वह एक छिद्रयुक्त माध्यम (porous medium) से गुजर रहा होता है। उनके मॉडल में कई वास्तविक दुनिया के कारक शामिल थे जो प्रवाह को जटिल बनाते हैं, जिसमें विद्युत धाराओं के कारण होने वाली हीटिंग, थर्मल रेडिएशन (ऊष्मीय विकिरण) के प्रभाव, रासायनिक प्रतिक्रियाएं, और तरल के भीतर ऊष्मा उत्पन्न होने या अवशोषित होने का तरीका शामिल है। तरल की गति, तापमान और सांद्रता की भविष्यवाणी करने के लिए केवल पारंपरिक, धीमी संख्यात्मक विधियों (numerical methods) पर निर्भर रहने के बजाय, शोधकर्ताओं ने दो अलग-अलग प्रकार के मशीन लर्निंग एल्गोरिदम को सिस्टम की भौतिकी सीखने के लिए प्रशिक्षित किया।

पहकर एल्गोरिदम जो उन्होंने उपयोग किया वह एक आर्टिफिशियल न्यूरल नेटवर्क था, जो एक ऐसा कंप्यूटर सिस्टम है जिसे मानव मस्तिष्क द्वारा डेटा में पैटर्न खोजने के तरीके की नकल करने के लिए डिज़ाइन किया गया है। दूसरा, और अधिक उन्नत दृष्टिकोण, एक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (physics-informed neural network) था। यह प्रणाली अद्वितीय है क्योंकि यह केवल डेटा को नहीं देखती है; इसे सीधे अपने कोड में भौतिकी के वास्तविक नियमों के साथ बनाया गया है। इसका अर्थ यह है कि कंप्यूटर को केवल उदाहरणों के आधार पर अनुमान लगाने के बजाय, तरल गति, ऊष्मा हस्तांतरण और द्रव्यमान संरक्षण के नियमों का पालन करने के लिए मजबूर किया जाता है। शोधकर्ताओं ने यह देखने के लिए एक कठोर परीक्षण स्थापित किया कि ये बुद्धिमान प्रणालियाँ तरल के व्यवहार की भविष्यवाणी करने में एक मानक, अत्यधिक विश्वसनीय संख्यात्मक विधि की तुलना में कितनी अच्छी हैं, जिसे BVP4c के रूप में जाना जाता है (जो कि ऐसे समीकरणों को हल करने के लिए एक पारंपरिक उपकरण है)। उन्होंने कई इटरेशन (iterations) की एक श्रृंखला में अपने सिमुलेशन चलाए, जो सीखने के एक छोटे चक्र से शुरू होकर सटीकता में सुधार देखने के लिए काफी बड़ी संख्या तक बढ़ते गए।

परिणामों ने दिखाया कि मशीन लर्निंग दृष्टिकोण न केवल सक्षम थे बल्कि अत्यधिक प्रभावी भी थे। जब न्यूरल नेटवर्क को केवल एक हजार लर्निंग साइकिल दिए गए, तो उनकी भविष्यवाणियाँ कुछ हद तक गलत थीं, जो तरल की गति और तापमान वितरण के सटीक विवरणों को पकड़ने में विफल रहीं। हालांकि, जैसे ही शोधकर्ताओं ने इटरेशन की संख्या बढ़ाकर बीस हजार कर दी, तस्वीर नाटकीय रूप से बदल गई। मानक आर्टिफिशियल न्यूरल नेटवर्क और फिजिक्स-इन्फॉर्म्ड संस्करण दोनों से प्राप्त भविष्यवाणियां पारंपरिक संख्यात्मक विधि के परिणामों के साथ लगभग पूरी तरह से मेल खाने लगीं। मशीन की भविष्यवाणियों और स्थापित संदर्भ समाधानों के बीच का अंतर अत्यंत निम्न स्तर तक गिर गया, जो यह दर्शाता है कि मॉडलों ने उच्च सटीकता के साथ अंतर्निहित भौतिकी को सीख लिया था। अध्ययन ने पुष्टि की कि विशेष रूप से फिजिक्स-इन्फॉर्म्ड नेटवर्क, दोहराव वाली, समय लेने वाली गणनाओं की आवश्यकता के बिना, तरल प्रवाह की जटिल वास्तविकता से मेल खाने वाले स्थिर और प्रामाणिक समाधान उत्पन्न कर सकता है।

शोधकर्ताओं ने यह भी जांचा कि विशिष्ट भौतिक कारकों ने तरल को कैसे प्रभावित किया। उन्होंने पाया कि जैसे-जैसे चुंबकीय क्षेत्र की शक्ति बढ़ी, तरल का वेग धीमा हो गया, जो कि चुंबकीय बल द्वारा तरल के कणों की गति को रोकने का परिणाम है। इसी तरह, उन्होंने देखा कि थर्मल रेडिएशन बढ़ने से तरल का तापमान बढ़ गया, जबकि मजबूत रासायनिक प्रतिक्रियाओं के कारण तरल के घटकों की सांद्रता कम हो गई। इन परीक्षणों के दौरान, मशीन लर्निंग मॉडल मजबूत रहे, इन परिवर्तनों को सटीक रूप से ट्रैक किया और स्थितियां जटिल होने पर भी स्थिरता बनाए रखी। अध्ययन ने निष्कर्ष निकाला कि ऐसे बुद्धिमान एल्गोरिदम इस तरह के जटिल तरल प्रणालियों को नियंत्रित करने वाले गैर-रेखीय (nonlinear) समीकरणों को हल करने के लिए पारंपरिक संख्यात्मक तकनीकों के एक विश्वसनीय और कुशल विकल्प हैं। यह सिद्ध करके कि ये नेटवर्क न्यूनतम त्रुटि के साथ सटीक समाधानों तक पहुँच सकते हैं, यह कार्य उन इंजीनियरों और वैज्ञानिकों के लिए एक शक्तिशाली नए उपकरण का सुझाव देता है जिन्हें औद्योगिक और जैविक अनुप्रयोगों में उन्नत तरल पदार्थों के व्यवहार को सिम्युलेट करने और समझने की आवश्यकता होती है।