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

Vloeistoffen die zich niet als water gedragen, zijn overal in de moderne wereld aanwezig, van de dikke, stromende chocolade in een fabriek tot de complexe beweging van bloed in ons lichaam. In tegenstelling tot eenvoudige vloeistoffen die soepel stromen onder elke kracht, kunnen deze speciale vloeistoffen, bekend als niet-Newtoniaanse vloeistoffen, hun weerstand veranderen afhankelijk van hoe hard ze worden geduwd of getrokken. Sommige gedragen zich als vaste stoffen totdat er een specifieke kracht wordt uitgeoefend, waarna ze plotseling beginnen te stromen. Wanneer deze vloeistoffen ook nog kleine deeltjes bevatten die op zichzelf kunnen draaien of roteren, wordt de fysica nog ingewikkelder. Ingenieurs en wetenschappers moeten precies begrijpen hoe deze materialen bewegen en warmte overdragen, vooral wanneer ze door poreuze materialen zoals sponsen of filters worden geperst, of wanneer ze worden blootgesteld aan magnetische velden en intense hitte. Het correct uitvoeren van deze berekeningen is essentieel voor het ontwerpen van betere industriële processen, het verbeteren van thermische isolatie en het creëren van efficiëntere energiesystemen. Het oplossen van de complexe wiskundige vergelijkingen die deze gedragingen beschrijven is echter berucht moeilijk en vereist vaak enorme rekenkracht en tijd.

Een team onderzoekers van de Quaid-I-Azam Universiteit in Pakistan en de Islamitische Universiteit van Madinah in Saoedi-Arabië heeft deze uitdaging aangepakt door een nieuwe manier te testen om deze problemen op te lossen met behulp van kunstmatige intelligentie. Ze richtten zich op een specifiek type vloeistof dat de eigenschappen combineert van een Casson-vloeistof, die zich als een vaste stof gedraagt totdat er wordt geduwd, met een micropolaire vloeistof, waarbij de kleine deeltjes binnenin zelf kunnen roteren. Ze modelleerden hoe deze vloeistof rond een cilindrische vorm beweegt, zoals een buis, terwijl deze door een poreus medium passeert. Hun model omvatte verschillende real-world factoren die de stroming compliceren, waaronder de verwarming veroorzaakt door elektrische stromen, de effecten van thermische straling, chemische reacties, en de manier waarop warmte wordt gegenereerd of geabsorbeerd binnen de vloeistof zelf. In plaats van uitsluitend te vertrouwen op traditionele, trage numerieke methoden om de snelheid, temperatuur en concentratie van de vloeistof te voorspellen, trainden de onderzoekers twee verschillende soorten machine learning-algoritmen om de fysica van het systeem te leren.

Het eerste algoritme dat ze gebruikten, was een kunstmatig neuraal netwerk, een computersysteem dat is ontworpen om de manier waarop het menselijk brein informatie verwerkt na te bootsen door patronen in data te vinden. De tweede, en meer geavanceerde aanpak, was een physics-informed neural network. Dit systeem is uniek omdat het niet alleen naar data kijkt; het is gebouwd met de werkelijke wetten van de fysica die direct in de code zijn geschreven. Dit betekent dat de computer gedwongen wordt de regels van vloeistofbeweging, warmteoverdracht en massaconservatie te volgen terwijl hij leert, in plaats van alleen maar te gokken op basis van voorbeelden. De onderzoekers zetten een rigoureuze test op om te zien hoe goed deze intelligente systemen het gedrag van de vloeistof kunnen voorspellen in vergelijking met een standaard, hoog vertrouwd numerieke methode bekend als BVP4c, wat een conventioneel hulpmiddel is voor het oplossen van dergelijke vergelijkingen. Ze draalden hun simulaties over een reeks iteraties, beginnend met een klein aantal leercycli en de telling aanzienlijk verhogend om te zien hoe de nauwkeurigheid verbeterde.

De resultaten toonden aan dat de machine learning-benaderingen niet alleen in staat, maar ook zeer effectief waren. Wanneer de neurale netwerken slechts duizend leercycli kregen, waren hun voorspellingen enigszinde onnauwkeurig en slaagden ze er niet in de precieze details van de beweging en temperatuurverdeling van de vloeistof vast te leggen. Echter, toen de onderzoekers het aantal iteraties verhoogden naar twintig duizend, veranderde het beeld drastisch. De voorspellingen van zowel het standaard kunstmatige neurale netwerk als de physics-informed versie begonnen bijna perfect te overlappen met de resultaten van de traditionele numerieke methode. De fout tussen de voorspellingen van de machine en de gevestigde referentie-oplossingen daalde tot extreem lage niveaus, wat aangeeft dat de modellen de onderliggende fysica met hoge getrouwheid hadden geleerd. De studie bevestigde dat met name het physics-informed netwerk stabiele en authentieke oplossingen kon genereren die overeenkwamen met de complexe realiteit van de vloeistofstroom, zonder de noodzaak voor repetitieve, tijdrovende berekeningen.

De onderzoekers onderzochten ook hoe specifieke fysieke factoren de vloeistof beïnvloedden. Ze ontdekten dat naarmate de sterkte van het magnetische veld toenam, de snelheid van de vloeistof vertraagde, een resultaat van de magnetische kracht die tegen de beweging van de vloeistofdeeltjes duwt. Evenzo observeerden ze dat het verhogen van de thermische straling ervoor zorgde dat de temperatuur van de vloeistof steeg, terwijl sterkere chemische reacties ervoor zorgden dat de concentratie van de componenten van de vloeistof afnam. Tijdens al deze tests bleven de machine learning-modellen robuust, waarbij ze deze veranderingen nauwkeurig volgden en stabiliteit behielden, zelfs wanneer de omstandigheden complexer werden. De studie concludeerde dat deze intelligente algoritmen een betrouwbaar en efficiënt alternatief bieden voor conventionele numerieke technieken voor het oplossen van de nietlineaire vergelijkingen die dergelijke complexe vloeistofsystemen beheersen. Door te bewijzen dat deze netwerken kunnen convergeren naar nauwkeurige oplossingen met minimale fouten, suggereert het werk een krachtig nieuw instrument voor ingenieurs en wetenschappers die de werking van geavanceerde vloeistoffen in industriële en biologische toepassingen moeten simuleren en begrijpen.