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

水のように振る舞わない流体は、工場の濃厚に流れるチョコレートから、私たちの体内における複雑な血液の動きに至るまで、現代社会の至る所に存在しています。どのような力の下でも滑らかに流れる単純な液体とは異なり、これらの特別な流体は「非ニュートン流体」として知られ、どれほど強く押されたり引かれたりするかによって、その抵抗を変えることができます。中には、特定の力が加わるまで固体のように振る舞い、その力が加わった瞬間に突然流れ始めるものもあります。さらに、これらの流体が、それ自体で回転したり自転したりできる微小な粒子を含んでいる場合、その物理学はさらに複雑になります。エンジニアや科学者は、これらの材料がどのように移動し、熱を伝達するかを正確に理解する必要があります。特に、スポンジやフィルターのような多孔質材料の中を強制的に通過する場合や、磁場や激しい熱にさらされる場合です。これらの計算を正確に行うことは、より優れた産業プロセスの設計、熱絶縁の向上、そしてより効率的なエネルギーシステムの構築において極めて重要です。しかし、このような挙動を記述する複雑な数学の方程式を解くことは非常に困難であり、しばしば膨大な計算能力と時間を必要とします。

パキスタンのクアイド・アザム大学とサウジアラビアのマディーナ・イスラム大学の研究チームは、人工知能を用いてこれらの問題を解決する新しい方法をテストすることで、この課題に取り組みました。彼らは、押されるまで固体のように振る舞うカッソン流体の特性と、内部の微小粒子が回転できるマイクロポーラー流体の特性を組み合わせた、特定の種類の流体に焦点を当てました。彼らは、この流体がパイプのような円筒形の形状の周囲をどのように動き、多孔質媒体を通過するかをモデル化しました。彼らのモデルには、電流による加熱、熱放射の影響、化学反応、そして流体内で熱が発生または吸収される仕組みなど、流れを複雑にするいくつかの現実世界の要因が含まれていました。流体の速度、温度、および濃度を予測するために、従来の遅い数値的手法だけに頼るのではなく、研究者たちは、システムの物理学を学習するように2種類の異なる機械学習アルゴリズムを訓練しました。

彼らが使用した最初のアルゴリズムは、データのパターンを見つけ出すことで人間の脳の情報処理プロセスを模倣するように設計されたコンピュータシステムである、人工ニューラルネットワークでした。2番目の、より高度なアプローチは、物理情報ニューラルネットワーク（Physics-Informed Neural Network）です。このシステムはユニークで、単にデータを眺めるだけでなく、実際の物理法則がコードの中に直接書き込まれています。つまり、このコンピュータは、単に例に基づいて推測するのではなく、学習する過程で流体の運動、熱伝達、および質量保存の規則に従うことを強制されるのです。研究者たちは、これらのインテリジェントなシステムが、BVP4cとして知られる、標準的で非常に信頼性の高い数値的手法と比較して、流体の挙動をどの程度正確に予測できるかを検証するための厳格なテストを実施しました。彼らは、学習サイクルを少ない数から始めて大幅に増やしていくことで、精度がどのように向上するかを確認しながら、シミュレーションを実行しました。

結果は、機械学習のアプローチが単に可能であるだけでなく、非常に効果的であることを示しました。ニューラルネットワークにわずか1,000回の学習サイクルを与えたとき、その予測は多少的外れであり、流体の動きや温度分布の詳細を正確に捉えることができませんでした。しかし、研究者が反復回数を2万回に増やしたとき、状況は劇的に変化しました。標準的な人工ニューラルネットワークと物理情報型ニューラルネットワークの両方の予測が、従来の数値的手法の結果とほぼ完璧に重なり始めたのです。機械の予測と確立された参照解との間の誤差は極めて低いレベルまで低下し、モデルが基礎となる物理学を高精度に学習したことを示しました。この研究は、特に物理情報型ネットワークが、時間のかかる反復計算を必要とせずに、複雑な流体流の現実と一致する安定した真正な解を生成できることを証明しました。

研究者たちはまた、特定の物理的要因が流体にどのように影響するかを調査しました。磁場の強さが増すと、磁力が流体粒子の運動を押し返すため、流体の速度が低下することを発見しました。同様に、熱放射が増加すると流体の温度が上昇し、化学反応が強まると流体の成分の濃度が減少することを観察しました。これらのテストを通じて、機械学習モデルは堅牢であり続け、条件が複雑になってもこれらの変化を正確に追跡し、安定性を維持しました。この研究は、このような複雑な流体システムを支配する非線形方程式を解く上で、これらのインテリジェントなアルゴリズムが従来の数値的手法に代わる信頼性と効率性の高い選択肢であることを結論付けました。これらのネットワークが最小限の誤差で正確な解に収束できることを証明したこの研究は、産業や生物学的応用における高度な流体の挙動をシミュレートし、理解する必要があるエンジニアや科学者にとって、強力な新しいツールとなることを示唆しています。