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

Fluidos que não se comportam como a água estão em toda parte no mundo moderno, desde o chocolate espesso e fluido em uma fábrica até o movimento complexo do sangue dentro de nossos corpos. Ao contrário de líquidos simples que fluem suavemente sob qualquer força, esses fluidos especiais, conhecidos como fluidos não newtonianos, podem mudar sua resistência dependendo de quão forte são empurrados ou puxados. Alguns agem como sólidos até que uma força específica seja aplicada, ponto no qual subitamente começam a fluir. Quando esses fluidos também contêm partículas minúsculas que podem girar ou rotacionar por conta própria, a física torna-se ainda mais intrincada. Engenheiros e cientistas precisam entender exatamente como esses materiais se movem e transferem calor, especialmente quando são forçados através de materiais porosos, como esponjas ou filtros, ou quando são expostos a campos magnéticos e calor intenso. Acertar esses cálculos é vital para projetar melhores processos industriais, melhorar o isolamento térmico e criar sistemas de energia mais eficientes. No entanto, resolver as complexas equações matemáticas que descrevem esses comportamentos é notoriamente difícil, muitas vezes exigindo um poder computacional e tempo imensos.

Uma equipe de pesquisadores da Universidade Quaid-I-Azam, no Paquistão, e da Universidade Islâmica de Madinah, na Arábia Saudita, enfrentou esse desafio ao testar uma nova maneira de resolver esses problemas usando inteligência artificial. Eles se concentraram em um tipo específico de fluido que combina as propriedades de um fluido de Casson, que se comporta como um sólido até ser empurrado, com um fluido micropolar, onde as partículas minúsculas dentro dele podem rotacionar. Eles modelaram como esse fluido se move ao redor de uma forma cilíndrica, como um tubo, enquanto passa por um meio poroso. Seu modelo incluiu vários fatores do mundo real que complicam o fluxo, incluindo o aquecimento causado por correntes elétricas, os efeitos da radiação térmica, reações químicas e a maneira como o calor é gerado ou absorvido dentro do próprio fluido. Em vez de depender apenas de métodos numéricos tradicionais e lentos para prever a velocidade, temperatura e concentração do fluido, os pesquisadores treinaram dois tipos diferentes de algoritmos de aprendizado de máquina para aprender a física do sistema.

O primeiro algoritmo que utilizaram foi uma rede neural artificial, um sistema computacional projetado para imitar a maneira como o cérebro humano processa informações ao encontrar padrões em dados. O segundo, e mais avançado, método foi uma rede neural informada pela física. Este sistema é único porque não apenas analisa dados; ele é construído com as leis reais da física escritas diretamente em seu código. Isso significa que o computador é forçado a obedecer às regras do movimento de fluidos, transferência de calor e conservação de massa enquanto aprende, em vez de apenas adivinhar com base em exemplos. Os pesquisadores estabeleceram um teste rigoroso para ver quão bem esses sistemas inteligentes poderiam prever o comportamento do fluido em comparação com um método numérico padrão e altamente confiável conhecido como BVP4c, que é uma ferramenta convencional para resolver tais equações. Eles executaram suas simulações ao longo de uma gama de iterações, começando com um pequeno número de ciclos de aprendizado e aumentando a contagem significativamente para observar como a precisão melhorava.

Os resultados mostraram que as abordagens de aprendizado de máquina eram não apenas capazes, mas altamente eficazes. Quando as redes neurais receberam apenas mil ciclos de aprendizado, suas previsões estavam um tanto imprecisas, falhando em capturar os detalhes precisos do movimento do fluido e da distribuição de temperatura. No entanto, conforme os pesquisadores aumentavam o número de iterações para vinte mil, o cenário mudava dramaticamente. As previsões tanto da rede neural artificial padrão quanto da versão informada pela física começaram a se sobrepor quase perfeitamente aos resultados do método numérico tradicional. O erro entre as previsões da máquina e as soluções de referência estabelecidas caiu para níveis extremamente baixos, indicando que os modelos haviam aprendido a física subjacente com alta fidelidade. O estudo confirmou que a rede informada pela física, em particular, poderia gerar soluções estáveis e autênticas que correspondiam à realidade complexa do fluxo de fluido sem a necessidade de cálculos repetitivos e demorados.

Os pesquisadores também examinaram como fatores físicos específicos influenciavam o fluido. Eles descobriram que, conforme a força do campo magnético aumentava, a velocidade do fluido diminuía, um resultado da força magnética empurrando contra o movimento das partículas do fluido. Da mesma forma, observaram que o aumento da radiação térmica causava o aumento da temperatura do fluido, enquanto reações químicas mais fortes causavam a diminuição da concentração dos componentes do fluido. Durante todos esses testes, os modelos de aprendimento de máquina permaneceram robustos, rastreando essas mudanças com precisão e mantendo a estabilidade mesmo quando as condições se tornavam mais complexas. O estudo concluiu que esses algoritmos inteligentes oferecem uma alternativa confiável e eficiente às técnicas numéricas convencionais para resolver as equações não lineares que governam tais sistemas de fluidos complexos. Ao provar que essas redes podem convergir para soluções precisas com erro mínimo, o trabalho sugere uma poderosa nova ferramenta para engenheiros e cientistas que precisam simular e compreender o comportamento de fluidos avançados em aplicações industriais e biológicas.