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

I fluidi che non si comportano come l'acqua sono ovunque nel mondo moderno, dal denso cioccolato fluido in una fabbrica al complesso movimento del sangue all'interno dei nostri corpi. A differenza dei liquidi semplici che scorrono fluidamente sotto qualsiasi forza, questi fluidi speciali, noti come fluidi non newtoniani, possono cambiare la loro resistenza a seconda di quanto vengono spinti o tirati. Alcuni agiscono come solidi finché non viene applicata una specifica forza, momento in cui iniziano improvvisamente a scorrere. Quando questi fluidi contengono anche minuscole particelle che possono ruotare o girare su se stesse, la fisica diventa ancora più intricata. Gli ingegneri e gli scienziati devono capire esattamente come questi materiali si muovono e trasferiscono calore, specialmente quando vengono forzati attraverso materiali porosi come spugne o filtri, o quando sono esposti a campi magnetici e calore intenso. Ottenere correttamente questi calcoli è vitale per progettare processi industriali migliori, migliorare l'isolamento termico e creare sistemi energetici più efficienti. Tuttavia, risolvere le complesse equazioni matematiche che descrivono questi comportamenti è notoriamente difficile, richiedendo spesso un'immensa potenza di calcolo e tempo.

Un team di ricercatori della Quaid-I-Azam University in Pakistan e dell'Università Islamica di Madinah in Arabia Saudita ha affrontato questa sfida testando un nuovo modo per risolvere questi problemi utilizzando l'intelligenza artificiale. Si sono concentrati su un tipo specifico di fluido che combina le proprietà di un fluido di Casson, che si comporta come un solido finché non viene spinto, con un fluido micropolare, dove le minuscole particelle all'interno possono ruotare. Hanno modellato il modo in cui questo fluido si muove attorno a una forma cilindrica, come un tubo, mentre passa attraverso un mezzo poroso. Il loro modello includeva diversi fattori del mondo reale che complicano il flusso, tra cui il riscaldamento causato dalle correnti elettriche, gli effetti della radiazione termica, le reazioni chimiche e il modo in cui il calore viene generato o assorbito all'interno del fluido stesso. Invece di fare affidamento esclusivamente sui tradizionali e lenti metodi numerici per prevedere la velocità del fluido, la temperatura e la concentrazione, i ricercatori hanno addestrato due diversi tipi di algoritmi di apprendimento automatico per apprendere la fisica del sistema.

Il primo algoritmo utilizzato è stata una rete neurale artificiale, un sistema informatico progettato per imitare il modo in cui il cervello umano elabora le informazioni trovando schemi nei dati. Il secondo approccio, più avanzato, è stato una rete neurale informata dalla fisica (physics-informed neural network). Questo sistema è unico perché non si limita a guardare i dati; è costruito con le leggi reali della fisica scritte direttamente nel suo codice. Ciò significa che il computer è costretto a obbedire alle regole del moto dei fluidi, del trasferimento di calore e della conservazione della massa mentre apprende, invece di limitarsi a indovinare basandosi sugli esempi. I ricercatori hanno predisposto un test rigoroso per vedere quanto bene questi sistemi intelligenti potessero prevedere il comportamento del fluido rispetto a un metodo numerico standard altamente affidabile noto come BVP4c, che è uno strumento convenzionale per risolvere tali equazioni. Hanno eseguito le loro simulazioni su un intervallo di iterazioni, partendo da un piccolo numero di cicli di apprendimento e aumentandoli significativamente per vedere come migliorasse l'accuratezza.

I risultati hanno mostrato che gli approcci di apprendimento automatico erano non solo capaci ma altamente efficaci. Quando le reti neurali ricevevano solo mille cicli di apprendimento, le loro previsioni erano parzialmente errate, fallendo nel catturare i dettagli precisi del movimento del fluido e della distribuzione della temperatura. Tuttavia, man mano che i ricercatori aumentavano il numero di iterazioni a ventimila, il quadro cambiava drasticamente. Le previsioni sia della rete neurale artificiale standard che della versione informata dalla fisica iniziavano a sovrapporsi quasi perfettamente ai risultati del metodo numerico tradizionale. L'errore tra le previsioni della macchina e le soluzioni di riferimento stabilite è sceso a livelli estremamente bassi, indicando che i modelli avevano appreso la fisica sottostante con alta fedeltà. Lo studio ha confermato che la rete informata dalla fisica, in particolare, poteva generare soluzioni stabili e autentiche che corrispondevano alla complessa realtà del flusso del fluido senza la necessità di calcoli ripetitivi e dispendiosi in termini di tempo.

I ricercatori hanno anche esaminato come specifici fattori fisici influenzassero il fluido. Hanno scoperto che all'aumentare della forza del campo magnetico, la velocità del fluido rallentava, un risultato della forza magnetica che spinge contro il moto delle particelle del fluido. Allo stesso modo, hanno osservato che l'aumento della radiazione termica causava un innalzamento della temperatura del fluido, mentre reazioni chimiche più forti causavano una diminuzione della concentrazione dei componenti del fluido. Durante tutti questi test, i modelli di apprendimento automatico sono rimasti robusti, tracciando accuratamente questi cambiamenti e mantenendo la stabilità anche quando le condizioni diventavano più complesse. Lo studio ha concluso che questi algoritmi intelligenti offrono un'alternativa affidabile ed efficiente alle tecniche numeriche convenzionali per risolvere le equazioni non lineari che governano tali complessi sistemi di fluidi. Dimostrando che queste reti possono convergere verso soluzioni accurate con un errore minimo, il lavoro suggerisce un potente nuovo strumento per ingegneri e scienziati che devono simulare e comprendere il comportamento di fluidi avanzati in applicazioni industriali e biologiche.