Hybrid LMANN Framework for Predicting Bioconvective Buongiorno Casson Nanofluid Flow over a Riga Plate
Questo articolo sviluppa e valida un framework di rete neurale artificiale ibrida Levenberg–Marquardt (LMANN) che predice accuratamente il complesso flusso di nanofluido bioconvettivo di tipo Buongiorno-Casson su una piastra di Riga, sfruttando soluzioni numeriche da un solver MATLAB bvp5c come dati di addestramento.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo dell'ingegneria e della produzione, i fluidi sono raramente semplici come l'acqua. Molti materiali utilizzati nell'industria, dai lubrificanti densi e fanghi di perforazione ai sospensioni biologiche e polimeri fusi, non scorrono con una facilità costante. Invece, la loro resistenza al movimento cambia a seconda di quanto vengono spinti o tirati. Gli scienziati chiamano questi fluidi non newtoniani, e comprendere come si muovono è fondamentale per tutto, dal rivestimento delle superfici al raffreddamento dei componenti elettronici. Per rendere la questione ancora più complessa, gli ingegneri spesso mescolano piccole particelle solide, note come nanoparticelle, in questi fluidi per potenziare la loro capacità di trasportare calore. Quando queste miscele sono anche sottoposte a campi magnetici o contengono microrganismi viventi e nuotatori, la fisica diventa una rete intricata di forze interagenti. Prevedere esattamente come un tale fluido si comporterà in queste condizioni è difficile perché le equazioni che governano il flusso sono altamente non lineari, il che significa che piccole variazioni in un fattore possono portare a cambiamenti imprevedibili dell'intero sistema.
Un team di ricercatori ha affrontato questa sfida sviluppando un nuovo modo per prevedere il comportamento di una specifica e complessa miscela di fluidi che scorre su un tipo speciale di superficie. Si sono concentrati su un fluido che combina le proprietà di un fluido di Casson, che si comporta come una pasta densa finché non viene applicata una certa forza, con un fluido di Williamson, che esibisce proprietà elastiche. Questa miscela scorre su una piastra di Riga, una superficie dotata di elettrodi e magneti che generano una specifica forza elettromagnetica per controllare il moto del fluido. Lo studio tiene conto anche della presenza di microrganismi mobili, che nuotano attraverso il fluido e creano le proprie correnti, e degli effetti dell'energia di attivazione, che influenza il modo in cui procedono le reazioni chimiche all'interno del flusso. Per risolvere questo problema, i ricercatori hanno prima utilizzato metodi numerici tradizionali per calcolare la velocità del fluido, la temperatura e la concentrazione di particelle e microbi. Hanno poi utilizzato questi calcoli per addestrare un modello di intelligenza artificiale ibrido, specificamente una rete neurale artificiale di Levenberg–Marquardt. Questo sistema informatico ha appreso i modelli nei dati, permettendogli di prevedere il comportamento del fluido con alta velocità e precisione senza dover risolvere le complesse equazioni da zero ogni volta.
I ricercatori hanno scoperto che la forza elettromagnetica generata dalla piastra di Riga agisce come un potente freno sul moto del fluido, controllando efficacemente lo strato limite dove il fluido si muove più velocemente. Tuttavia, la resistenza interna del fluido gioca anch'essa un ruolo fondamentale. Aumentare i parametri che definiscono la densità e l'elasticità del fluido, come i parametri di Casson e di Williamson, rallenta significamente il flusso. Al contrario, quando le forze di galleggiamento causate dalle differenze di temperatura e dalla presenza di microrganismi si rafforzano, il fluido accelera. Lo studio ha inoltre rivelato come il calore e la massa vengono trasportati all'interno di questo sistema. Fattori come la radiazione termica e il movimento casuale delle nanoparticelle tendono ad aumentare la temperatura del fluido, mentre l'aspirazione del fluido attraverso la superficie o un numero di Prandtl più elevato, che riguarda la facilità con cui il calore si diffonde, lo raffreddano. La presenza di microrganismi viventi aggiunge un altro livello di complessità; il loro movimento è influenzato dalla velocità del flusso e dalla concentrazione di altre particelle, creando un equilibrio dinamico tra attività biologica e trasporto fisico.
Per garantire che il loro nuovo strumento di previsione fosse affidabile, il team lo ha sottoposto a test rigorosi. Hanno confrontato le previsioni della rete neurale con le soluzioni numeriche dettagliate che avevano calcolato in precedenza. I risultati hanno mostrato una corrispondenza quasi perfetta, con il modello di intelligenza artificiale che prevedeva i profili di velocità, temperatura e concentrazione con un errore trascurabile. Il modello ha appreso con successo le intricate relazioni tra i vari parametri fisici e il conseguente comportamento del flusso. Ad esempio, quando i ricercatori hanno aumentato l'energia di attivazione, che rappresenta la barriera energetica per le reazioni chimiche, il modello ha predetto correttamente che la concentrazione di nanoparticelle e la densità dei microrganismi sarebbero aumentate perché le reazioni chimiche che le consumano sarebbero rallentate. Allo stesso modo, il modello ha catturato accuratamente come l'aumento del tempo di rilassamento termico, che tiene conto del ritardo nella propagazione del calore, riduca il gradiente di temperatura alla superficie.
Lo studio conferma che questo approccio ibrido, combinando la simulazione numerica tradizionale con l'apprendimento automatico, offre un modo robusto ed efficiente per modellare questi complessi flussi bioconvettivi. La rete neurale è convergente rapidamente, apprendendo i modelli necessari in pochi secondi e dimostrando di poter generalizzare bene su nuovi dati senza overfitting. Ciò significa che il modello non sta solo memorizzando i casi specifici su cui è stato addestrato, ma ha veramente compreso la fisica sottostante. I ricercatori concludono che questo framework fornisce uno strumento computazionale potente per analizzare problemi di trasporto non lineare simili. Prevedendo accuratamente come si comportano questi fluidi sofisticati, gli ingegneri possono progettare meglio i sistemi per la gestione termica, la lavorazione chimica e le applicazioni biomediche dove il controllo del flusso di fluidi complessi carichi di particelle è essenziale. Il lavoro colma il divario tra la modellazione matematica pesante e la rapida previsione basata sui dati, offrendo una strada da seguire per gestire la complessa fisica dei moderni fluidi industriali.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.