Métodos analíticos gractionales innovadores basados en la transformada de Aboodh para ecuaciones en derivadas parciales no lineales de Burgers

Por qué importan nuevas herramientas matemáticas para ondas del mundo real

Muchos sistemas físicos —desde atascos de tráfico y ondas de choque en el aire hasta el flujo de fluidos en tuberías— se describen mediante ecuaciones que rastrean cómo las ondas se acentúan, se difunden e interactúan. Un ejemplo famoso es la ecuación de Burgers. Cuando esos sistemas tienen “memoria”, es decir, su estado actual depende del pasado, las ecuaciones habituales se quedan cortas. Este trabajo presenta dos herramientas matemáticas avanzadas pero eficientes que abordan sistemas ricos en memoria, ayudando a científicos e ingenieros a obtener soluciones precisas a problemas de ondas complejos que surgen en física, ingeniería e incluso biología.

Ecuaciones con memoria y por qué son difíciles

El cálculo clásico usa derivadas de orden entero para describir el cambio. El cálculo fraccionario amplía esta idea a órdenes no enteros, permitiendo que las ecuaciones capturen memoria a largo plazo y efectos no locales. Para problemas de ondas y flujo, esto conduce a versiones fraccionarias de las ecuaciones de Burgers y KdV–Burgers, que reflejan mejor la realidad pero también son mucho más difíciles de resolver. Los esquemas numéricos tradicionales pueden ser lentos, complicados y tener problemas con comportamientos fuertemente no lineales. Los autores se centran en formas temporales fraccionarias de estas ecuaciones, empleando una definición popular de memoria —la derivada de Caputo— y plantean la pregunta: ¿podemos encontrar formas rápidas, precisas y matemáticamente controladas de aproximar sus soluciones?

Un nuevo giro en transformadas y series de potencias

El núcleo del trabajo es el uso de la transformada de Aboodh, una pariente relativamente reciente de herramientas clásicas como la transformada de Laplace. Aplicada a las ecuaciones tipo Burgers fraccionarias, convierte el problema original en expresiones algebraicas que tienen una estructura de serie de potencias muy regular. Esta estructura elimina muchos de los términos de convolución engorrosos que suelen aquejar los problemas no lineales. Partiendo de esto, los autores diseñan dos enfoques complementarios. El Método de Series de Potencias Residuales con Aboodh (ARPSM) representa la solución transformada como una serie de potencias fraccionarias y ajusta sistemáticamente los coeficientes de la serie para que el error restante, o residual, disminuya de forma controlada. En paralelo, el Método Iterativo con Transformada de Aboodh (ATIM) combina la misma transformada con un esquema iterativo de corrección que refina una conjetura inicial paso a paso.

Cómo se construyen y verifican los métodos

El artículo desarrolla con cuidado los fundamentos matemáticos necesarios para formalizar estas ideas. Los autores prueban cómo se comportan las derivadas bajo la transformada de Aboodh, derivan una versión adaptada de la serie de Taylor en el dominio de la transformada y muestran cómo extraer coeficientes de la serie a partir de límites en el infinito. A continuación definen funciones residuales que miden qué tan bien una serie truncada satisface la ecuación transformada y demuestran que estos residuales decaen a medida que se añaden más términos, asegurando la convergencia. Se proporcionan cotas de error que muestran que la aproximación mejora rápidamente con cada término añadido, especialmente para tiempos moderados y órdenes fraccionarios entre cero y uno. Este marco teórico sustenta tanto ARPSM como ATIM y garantiza que no funcionan solo numéricamente por casualidad.

Poniendo a prueba los métodos

Para demostrar la practicidad, los autores aplican ambos enfoques a dos problemas de referencia: una ecuación KdV–Burgers fraccionaria, que combina acentuación de ondas y disipación, y una ecuación de Burgers fraccionaria, un modelo estándar para comportamientos tipo choque. En cada caso eligen condiciones iniciales y valores de parámetros para los que se conoce una solución exacta, lo que permite una verificación directa de la precisión. Para el caso KdV–Burgers, ATIM alcanza errores extremadamente pequeños —hasta alrededor de una parte en mil millones— usando solo unos pocos términos de la serie, y supera claramente tanto a ARPSM como a una técnica conocida llamada método de perturbación por homotopía. Para la ecuación de Burgers fraccionaria más simple, ARPSM supera ligeramente a ATIM. Los gráficos muestran que, al acercarse el orden fraccionario a uno, ambos métodos recuperan sin sobresaltos las soluciones clásicas, mientras que órdenes menores producen perfiles de onda más achatados y difusos que reflejan efectos de memoria más fuertes.

Qué supone esto para la ciencia y la ingeniería

En lenguaje cotidiano, el estudio demuestra que, al elegir la “lente” matemática adecuada —aquí, la transformada de Aboodh combinada con series de potencias o iteración— los investigadores pueden domesticar ecuaciones que recuerdan su pasado y aún así obtener predicciones nítidas y fiables. Los dos métodos propuestos son relativamente sencillos de implementar, evitan una carga computacional excesiva y ofrecen alta precisión en una variedad de casos de prueba. Esto los hace prometedores para abordar modelos realistas de flujos de fluidos, movimiento de ondas, transporte en medios complejos y otros sistemas donde la memoria no puede ignorarse. Los autores también señalan direcciones abiertas, como extender el enfoque a nociones más exóticas de memoria y a problemas de mayor dimensión, sugiriendo que estas técnicas basadas en Aboodh podrían convertirse en una parte versátil de la caja de herramientas moderna del cálculo fraccionario.

Cita: Iqbal, N., Aldhabani, M.S., Haleemzai, I. et al. Innovative Aboodh-based gractional analytical methods for nonlinear Burgers’ partial differential equations. Sci Rep 16, 12602 (2026). https://doi.org/10.1038/s41598-026-41658-1

Palabras clave: ecuación de Burgers fraccionaria, transformada de Aboodh, series de potencias residuales, método analítico iterativo, propagación de ondas