Hybrid LMANN Framework for Predicting Bioconvective Buongiorno Casson Nanofluid Flow over a Riga Plate
Dit artikel ontwikkelt en valideert een hybride Levenberg–Marquardt kunstmatig neuraal netwerk (LMANN) raamwerk dat de complexe bioconvectieve Buongiorno Casson-nanovloeistofstroom over een Riga-plaat nauwkeurig voorspelt door gebruik te maken van numerieke oplossingen van een MATLAB bvp5c-solver als trainingsgegevens.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van engineering en productie zijn vloeistoffen zelden zo eenvoudig als water. Veel materialen die in de industrie worden gebruikt, van dikke smeermiddelen en boorslib tot biologische suspensies en gesmolten polymeren, stromen niet met een constante gemak. In plaats daarvan verandert hun weerstand tegen beweging afhankelijk van hoe hard ze worden geduwd of getrokken. Wetenschappers noemen deze non-Newtoniaanse vloeistoffen, en het begrijpen van hoe zij bewegen is cruciaal voor alles van het coaten van oppervlakken tot het koelen van elektronische componenten. Om het nog complexer te maken, mengen ingenieurs vaak minuscule vaste deeltjes, bekend als nanodeeltjes, in deze vloeistoffen om hun vermogen om warmte te transporteren te vergroten. Wanneer deze mengsels ook worden blootgesteld aan magnetische velden of levende, zwemmende micro-organismen bevatten, wordt de fysica een verstrengeld web van interagerende krachten. Het nauwkeurig voorspellen van hoe een dergelijke vloeistof zich onder deze omstandigheden zal gedragen, is moeilijk omdat de vergelijkingen die de stroming beheersen sterk niet-lineair zijn, wat betekent dat kleine veranderingen in één factor kunnen leiden tot onvoorspelbare verschuivingen in het hele systeem.
Een team van onderzoekers heeft deze uitdaging aangepakt door een nieuwe manier te ontwikkelen om het gedrag van een specifieke, complexe vloeistofmengsel te voorspellen die over een speciaal type oppervlak stroomt. Ze richtten zich op een vloeistof die de eigenschappen combineert van een Casson-vloeistof, die zich gedraagt als een dikke pasta totdat er een bepaalde kracht wordt uitgeoefend, met een Williamson-vloeistof, die elastische eigenschappen vertoont. Deze mengeling stroomt over een Riga-plaat, een oppervlak uitgerust met elektroden en magneten die een specifieke elektromagnetische kracht genereren om de beweging van de vloeistof te controleren. De studie houdt ook rekening met de aanwezigheid van mobiele micro-organismen, die door de vloeistof zwemmen en hun eigen stromingen creëren, en de effecten van activeringsenergie, die beïnvloedt hoe chemische reacties binnen de stroming verlopen. Om dit op te lossen, gebruikten de onderzoekers eerst traditionele numerieke methoden om de snelheid, temperatuur en concentratie van deeltjes en micro-organismen van de vloeistof te berekenen. Vervolgens gebruikten ze deze berekeningen om een hybride kunstmatige intelligentie-model te trainen, specif kind een Levenberg–Marquardt kunstmatig neuraal netwerk. Dit computersysteem leerde de patronen in de data, waardoor het het gedrag van de vloeistof met hoge snelheid en nauwkeurigheid kon voorspellen zonder telkens de complexe vergelijkingen vanaf nul te hoeven oplossen.
De onderzoekers ontdekten dat de elektromagnetische kracht gegenereerd door de Riga-plaat fungeert als een krachtige rem op de beweging van de vloeistof, waardoor de grenslaag waar de vloeistof het snelst beweegt, effectief wordt gecontroleerd. Echter, de interne weerstand van de vloeistof zelf speelt ook een grote rol. Het verhogen van de parameters die de dikte en elasticiteit van de vloeistof definiëren, zoals de Casson- en Williamson-parameters, vertraagt de stroming aanzienlijk. Daarentegen, wanneer de opwaartse krachten veroorzaakt door temperatuurverschillen en de aanwezigheid van micro-organismen worden versterkt, versnelt de vloeistof. De studie onthulde ook hoe warmte en massa binnen dit systeem worden getransporteerd. Factoren zoals thermische straling en de willekeurige beweging van nanodeeltjes hebben de neiging de temperatuur van de vloeistof te verhogen, terwijl de aanzuiging van vloeistof door het oppervlak of een hoger Prandtl-getal, dat gerelateerd is aan hoe gemakkelijk warmte diffundeert, deze afkoelt. De aanwezigheid van levende micro-organismen voegt nog een laag van complexiteit toe; hun beweging wordt beïnvloed door de stroomsnelheid en de concentratie van andere deeltjes, wat een dynamisch evenwicht creëert tussen biologische activiteit en fysisch transport.
Om ervoor te zorgen dat hun nieuwe voorspellingsinstrument betrouwbaar was, onderwierp het team het aan rigoureuze tests. Ze vergeleken de voorspellingen van het neurale netwerk met de gedetailleerde numerieke oplossingen die ze eerder hadden berekend. De resultaten lieten een bijna perfecte overeenkomst zien, waarbij het kunstmatige intelligentiemodel de snelheid-, temperatuur- en concentratieprofielen voorspelde met een verwaarloosbare fout. Het model slaagde erin de ingewikkelde relaties tussen de verschillende fysische parameters en het resulterende stromingsgedrag te leren. Bijvoorbeeld, toen de onderzoekers de activeringsenergie verhoogden, die de energiebarrière voor chemische reacties vertegenwoordigt, voorspelde het model correct dat de concentratie van nanodeeltjes en de dichtheid van micro-organismen zouden stijgen omdat de chemische reacties die hen verbruiken vertraagden. Op dezelfde manier legde het model accuraat vast hoe het verhogen van de thermische relaxatietijd, die rekening houdt met de vertraging in warmtevoortplanting, de temperatuurgradiënt aan het oppervlak zou verminderen.
De studie bevestigt dat deze hybride aanpak, waarbij traditionele numerieke simulatie wordt gecombineerd met machine learning, een robuuste en efficiënte manier biedt om deze complexe bioconvectieve stromingen te modelleren. Het neurale netwerk convergeerde snel, leerde de noodzakelijke patronen in enkele seconden en toonde aan dat het goed kon generaliseren naar nieuwe data zonder overfitting. Dit betekent dat het model niet alleen de specifieke gevallen die het tijdens de training zag heeft onthouden, maar ook echt de onderliggende fysica heeft begrepen. De onderzoekers concluderen dat dit framework een krachtig computationeel hulpmiddel biedt voor het analyseren van vergelijkbare niet-lineaire transportproblemen. Door nauwkeurig te voorspellen hoe dergelijke geavanceerde vloeistoffen zich gedragen, kunnen ingenieurs systemen voor thermisch beheer, chemische verwerking en biomedische toepassingen beter ontwerpen, waar het beheersen van de stroming van complexe, deeltjesbeladen vloeistoffen essentieel is. Het werk overbrugt de kloof tussen zware wiskundige modellering en snelle, op data gebaseerde voorspelling, en biedt een weg vooruit voor het hanteren van de ingewikkelde fysica van moderne industriële vloeistoffen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.