Legendre-Neuronales-Netz-gestützte Rechenstudie mittels hybridem Schwarmoptimierungs-Verfahren für fraktionalen instationären Fluss eines Sutterby-Fluids

Flüssigkeiten, die sich überraschend verhalten

Viele alltägliche Stoffe, von Ketchup und Joghurt bis hin zu Blut und Polymer-Schmelzen, fließen nicht wie gewöhnliches Wasser. Sie können beim Rühren dicker werden oder beim Zusammendrücken dünner, was ihre Beherrschung in Technologien wie Lebensmittelverarbeitung, Kunststoffproduktion und biomedizinischen Geräten erschwert. Diese Studie konzentriert sich auf ein solches komplexes Material, das Sutterby-Flüssigkeit genannt wird, und zeigt, wie moderne Werkzeuge der künstlichen Intelligenz seine Bewegung unter realistischen industriellen Bedingungen genauer vorhersagen können.

Warum diese eigenartige Flüssigkeit wichtig ist

Eine Sutterby-Flüssigkeit ist ein Modell für Flüssigkeiten, die sich je nach Stärke der Scherung oder Dehnung sowohl verdünnen als auch verdicken können. Solche Materialien treten in der Polymerherstellung, bei Beschichtungen, Schmiermitteln und in manchen biologischen Strömungen auf. In vielen Anwendungen bewegt sich das Fluid über eine sich dehnende Oberfläche, wird zwischen Platten zusammengedrückt oder sickert durch ein poröses Material wie einen Filter, alles unter dem Einfluss von Magnetfeldern. Dieses Verhalten mit Standardgleichungen zu erfassen ist schwierig, weil das Fluid eine Art "Gedächtnis" zeigt: seine gegenwärtige Bewegung hängt sowohl von seiner Vorgeschichte als auch von den aktuellen Kräften ab.

Gedächtnis in das Fluidmodell einfügen

Die Autoren beschreiben die instationäre Bewegung einer Sutterby-Flüssigkeit, die zwischen Platten fließt, wobei der Spalt sich verbreitern oder verengen kann und die untere Oberfläche porös ist. Sie modellieren Gedächtniseffekte mit einem mathematischen Werkzeug, dem zeitfraktionalen Ableiter, der es erlaubt, vergangene Bewegungen stufenlos zu berücksichtigen, anstatt nur eine einzige scharfe Zeitskala zu verwenden. Außerdem berücksichtigen sie den Einfluss eines Magnetfelds, den Widerstand des porösen Mediums und das Zusammendrücken der Platten. Daraus ergibt sich eine kompakte Gleichung dafür, wie sich die Fluidgeschwindigkeit über den Spalt ändert, zusammen mit Randbedingungen, die beschreiben, wie das Fluid an den Wänden haftet und sich mit ihnen bewegt.

Ein neuronales Netz lehren, die Strömung zu lösen

Statt auf traditionelle numerische Löser zu setzen, verwendet das Team ein Legendre-artiges künstliches neuronales Netz, eine besondere Netzform, die ihre Antwort aus glatten, mathematisch gut verträglichen Basisfunktionen aufbaut. Das unbekannte Geschwindigkeitsprofil wird als Summe dieser Formen dargestellt, und ein Trainingsprozess passt die Netzwerkparameter so lange an, bis die beherrschende Gleichung und die Randbedingungen möglichst genau erfüllt sind. Um die besten Parameter effizient zu finden, nutzen die Autoren eine Familie von Suchmethoden, die von Vogel- und Fischschwärmen inspiriert sind, bekannt als Partikelschwarmoptimierung, einschließlich einer Version, die ein eigenes Gedächtnis vergangener Schritte mitführt, und eines Hybrids, der beide Ansätze kombiniert.

Wie Steuergrößen die Bewegung verändern

Mit diesem Aufbau untersuchen die Forscher, wie unterschiedliche Stellgrößen im System die Strömung beeinflussen. Eine Zunahme der fraktionalen Ordnung, die den Gedächtniseffekt verstärkt, lässt das Fluid beschleunigter durch den Kanal strömen. Dagegen verlangsamt ein höherer Permeabilitätswiderstand der porösen Oberfläche das Fluid, ebenso wie positives Zusammendrücken, wenn die Platten aufeinander zu bewegt werden. Negatives Zusammendrücken, bei dem sich die Platten voneinander entfernen, verstärkt die Bewegung. Ein stärkerer magnetischer Einfluss hebt tendenziell das Geschwindigkeitsprofil an, was auf schnelleren Fluss hinweist. In all diesen Tests bleiben die Lösungen des neuronalen Netzes stabil und stimmen gut mit Referenzdaten überein, und die hybride Optimierungsmethode findet durchgehend genaue Ergebnisse mit kleineren Fehlern als die rein standardmäßigen oder fraktionalen Schwarmverfahren.

Was das für praktische Anwendungen bedeutet

Die Studie zeigt, dass die Kombination fraktionsbasierter Fluidmodelle mit sorgfältig gestalteten neuronalen Netzen subtile Strömungsmerkmale komplexer Flüssigkeiten in realistischen Szenarien erfassen kann. Das hybrid schwarmoptimierte Legendre-Netz konvergiert schnell, hält geringe Vorhersagefehler und meistert die starken Nichtlinearitäten, die durch porösen Widerstand, zusammendrückende Platten und magnetische Kräfte eingeführt werden. Obwohl die Arbeit sich bislang nur auf den Impuls und noch nicht auf Wärme- oder chemische Effekte konzentriert, bietet der Ansatz ein flexibles Werkzeug für Ingenieure, die Prozesse für zähe oder dünnflüssige Polymerlösungen, fortschrittliche Schmierstoffe und Biofluide entwerfen, die sich einfachen Beschreibungen entziehen.

Zitation: Fatima, A., Asjad, M.I., Aslam, M.N. et al. Legendre neural network-based computational study through hybrid particle swarm optimization for fractional unsteady flow of Sutterby fluid. Sci Rep 16, 15285 (2026). https://doi.org/10.1038/s41598-026-45305-7

Schlüsselwörter: Sutterby-Flüssigkeit, nicht-Newtonsche Strömung, fraktionales Modell, neuronales Netz, Partikelschwarmoptimierung