Hybrid LMANN Framework for Predicting Bioconvective Buongiorno Casson Nanofluid Flow over a Riga Plate
Este artigo desenvolve e valida uma estrutura híbrida de rede neural artificial de Levenberg–Marquardt (LMANN) que prevê com precisão o complexo escoamento de nanofluido de Bongiorno Casson bioconvectivo sobre uma placa de Riga, aproveitando soluções numéricas de um solver bvp5c do MATLAB como dados de treinamento.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
No mundo da engenharia e da manufatura, os fluidos raramente são tão simples quanto a água. Muitos materiais usados na indústria, desde lubrificantes espessos e lamas de perfuração até suspensões biológicas e polímeros fundidos, não fluem com uma facilidade constante. Em vez disso, sua resistência ao movimento muda dependendo de quão fortemente são empurrados ou puxados. Cientistas chamam esses fluidos de não-newtonianos, e entender como eles se movem é crítico para tudo, desde o revestimento de superfícies até o resfriamento de componentes eletrônicos. Para tornar as coisas mais complexas, engenheiros frequentemente misturam minúsculas partículas sólidas, conhecidas como nanopartículas, nesses fluidos para aumentar sua capacidade de transportar calor. Quando essas misturas também são submetidas a campos magnéticos ou contêm microrganismos vivos e nadadores, a física torna-se uma teia emaranhada de forças interagentes. Prever exatamente como tal fluido se comportará sob essas condições é difícil porque as equações que regem o fluxo são altamente não lineares, o que significa que pequenas mudanças em um fator podem levar a mudanças imprevisíveis em todo o sistema.
Uma equipe de pesquisadores enfrentou esse desafio desenvolvendo uma nova maneira de prever o comportamento de uma mistura de fluido específica e complexa fluindo sobre um tipo especial de superfície. Eles focaram em um fluido que combina as propriedades de um fluido de Casson, que se comporta como uma pasta espessa até que uma certa força seja aplicada, com um fluido de Williamson, que exibe propriedades elásticas. Esta mistura flui sobre uma placa de Riga, uma superfície equipada com eletrodos e ímãs que geram uma força eletromagnética específica para controlar o movimento do fluido. O estudo também leva em conta a presença de microrganismos móveis, que nadam através do fluido e criam suas próprias correntes, e os efeitos da energia de ativação, que influencia como as reações químicas procedem dentro do fluxo. Para resolver isso, os pesquisadores primeiro usaram métodos numéricos tradicionais para calcular a velocidade, a temperatura e a concentração de partículas e micróbios do fluido. Eles então usaram esses cálculos para treinar um modelo de inteligência artificial híbrida, especificamente uma rede neural artificial de Levenberg–Marquardt. Este sistema computacional aprendeu os padrões nos dados, permitindo prever o comportamento do fluido com alta velocidade e precisão sem a necessidade de resolver as equações complexas do zero toda vez.
Os pesquisadores descobriram que a força eletromagnética gerada pela placa de Riga atua como um poderoso freio no movimento do fluido, controlando efetivamente a camada limite onde o fluido se move mais rapidamente. No entanto, a própria resistência interna do fluido desempenha um papel importante também. Aumentar os parâmetros que definem a espessura e a elasticidade do fluido, como os parâmetros de Casson e Williamson, retarda significamente o fluxo. Por outro lado, quando as forças de empuxo causadas por diferenças de temperatura e pela presença de microrganismos são fortalecidas, o fluido acelera. O estudo também revelou como o calor e a massa são transportados dentro deste sistema. Fatores como a radiação térmica e o movimento aleatório de nanopartículas tendem a elevar a temperatura do fluido, enquanto a sucção de fluido através da superfície ou um número de Prandtl mais alto, que se refere à facilidade com que o calor se difunde, o resfria. A presença de microrganismos vivos adiciona outra camada de complexidade; seu movimento é influenciado pela velocidade do fluxo e pela concentração de outras partículas, criando um equilíbrio dinâmico entre a atividade biológica e o transporte físico.
Para garantir que sua nova ferramenta de previsão fosse confiável, a equipe a submeteu a testes rigorosos. Eles compararam as previsões da rede neural com as soluções numéricas detalhadas que haviam calculado anteriormente. Os resultados mostraram uma correspondência quase perfeita, com o modelo de inteligência artificial prevendo os perfis de velocidade, temperatura e concentração com erro negligenciável. O modelo aprendeu com sucesso as relações intrincadas entre os vários parâmetros físicos e o comportamento do fluxo resultante. Por exemplo, quando os pesquisadores aumentaram a energia de ativação, que representa a barreira de energia para reações químicas, o modelo previu corretamente que a concentração de nanopartículas e a densidade de microrganismos aumentariam porque as reações químicas que os consomem diminuíram. Da mesma forma, o modelo capturou com precisão como o aumento do tempo de relaxação térmica, que contabiliza o atraso na propagação do calor, reduziria o gradiente de temperatura na superfície.
O estudo confirma que esta abordagem híbrida, combinando simulação numérica tradicional com aprendizado de máquina, oferece uma maneira robusta e eficiente de modelar esses fluxos bioconvectivos complexos. A rede neural convergiu rapidamente, aprendendo os padrões necessários em questão de segundos e demonstrando que poderia generalizar bem para novos dados sem sofrer overfitting. Isso significa que o modelo não está apenas memorizando os casos específicos para os quais foi treinado, mas compreendeu verdadeiramente a física subjacente. Os pesquisadores concluem que este framework fornece uma ferramenta computacional poderosa para analisar problemas de transporte não lineares semelhantes. Ao prever com precisão como esses fluidos sofisticados se comportam, engenheiros podem projetar melhor sistemas para gestão térmica, processamento químico e aplicações biomédicas, onde o controle do fluxo de fluidos complexos carregados de partículas é essencial. O trabalho faz a ponte entre a modelagem matemática pesada e a previsão rápida baseada em dados, oferecendo um caminho a seguir para lidar com a física intrincada dos modernos fluidos industriais.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.