Estudio computacional basado en redes neuronales de Legendre mediante optimización por enjambre de partículas híbrido para el flujo fraccionario no estacionario de un fluido Sutterby

Fluidos que se comportan de forma sorprendente

Muchos materiales cotidianos, desde la salsa de tomate y el yogur hasta la sangre y las fundiciones de polímero, no fluyen como el agua común. Pueden espesarse al removerlos o volverse más fluidos al ser exprimidos, lo que los hace difíciles de controlar en tecnologías como el procesado de alimentos, la fabricación de plásticos y los dispositivos biomédicos. Este estudio se centra en uno de esos materiales complejos, denominado fluido Sutterby, y muestra cómo las herramientas modernas de inteligencia artificial pueden predecir su movimiento con mayor precisión en condiciones industriales realistas.

Por qué importa este fluido extraño

Un fluido Sutterby es un modelo para líquidos que pueden adelgazarse o espesar según la intensidad con que se agitan o estiran. Estos materiales aparecen en la fabricación de polímeros, recubrimientos, lubricantes y en algunos flujos biológicos. En muchas aplicaciones el fluido se mueve sobre una superficie que se estira, queda comprimido entre placas o se filtra a través de un medio poroso como un filtro, todo ello mientras está afectado por campos magnéticos. Capturar este comportamiento con las ecuaciones estándar es difícil porque el fluido parece "recordar" cómo fue movido anteriormente, de modo que su movimiento actual depende tanto de su historia como de las fuerzas presentes.

Añadiendo memoria al modelo de fluido

Los autores describen el movimiento no estacionario de un fluido Sutterby que fluye entre placas, donde la separación puede ensancharse o estrecharse y la superficie inferior es porosa. Representan los efectos de memoria con una herramienta matemática llamada derivada temporal de orden fraccionario, que permite al modelo tener en cuenta el movimiento pasado de forma gradual en lugar de usar una única escala temporal abrupta. También incluyen la influencia de un campo magnético, la resistencia del medio poroso y el apriete de las placas. Esto produce una ecuación compacta para cómo varía la velocidad del fluido a través de la separación, junto con condiciones de contorno que describen cómo el fluido se adhiere y se mueve con las paredes.

Enseñando a una red neuronal a resolver el flujo

En lugar de confiar en solucionadores numéricos tradicionales, el equipo utiliza una red neuronal artificial de Legendre, un tipo especial de red que construye su respuesta a partir de formas de onda suaves y matemáticamente bien comportadas. El perfil de velocidad desconocido se expresa como una suma de estas formas, y un proceso de entrenamiento ajusta los parámetros de la red hasta que la ecuación gobernante y las condiciones de contorno se satisfacen lo más fielmente posible. Para encontrar los mejores parámetros de manera eficiente, los autores emplean una familia de métodos de búsqueda inspirados en bandadas de aves, conocida como optimización por enjambre de partículas, incluyendo una versión que también conserva su propia memoria de pasos pasados y un híbrido que combina ambos.

Cómo los controles del flujo cambian el movimiento

Con este planteamiento los investigadores exploran cómo distintos controles del sistema alteran el flujo. Aumentar el orden fraccionario, que refuerza el efecto de memoria, hace que el fluido acelere más a través del canal. En contraste, una mayor resistencia por permeabilidad del lecho poroso ralentiza el fluido, al igual que el apriete positivo cuando las placas se acercan. El apriete negativo, donde las placas se separan, potencia el movimiento. Una influencia magnética más intensa tiende a elevar el perfil de velocidad, lo que indica un flujo más rápido. A lo largo de estas pruebas las soluciones de la red neuronal se mantienen estables y coinciden de cerca con datos de referencia, y el método de optimización híbrido encuentra de forma consistente respuestas precisas con errores menores que los métodos de enjambre estándar o fraccionarios por separado.

Qué significa esto para aplicaciones reales

El estudio demuestra que combinar modelos de fluido con memoria con redes neuronales cuidadosamente diseñadas puede capturar características sutiles del flujo de líquidos complejos en entornos realistas. La red de Legendre optimizada mediante enjambre híbrido converge rápidamente, mantiene errores de predicción bajos y maneja las fuertes no linealidades introducidas por la resistencia porosa, las placas que se aprietan y las fuerzas magnéticas. Aunque el trabajo se centra únicamente en el momento y aún no aborda efectos térmicos o químicos, el enfoque ofrece una herramienta flexible para ingenieros que diseñan procesos que involucran soluciones poliméricas espesas o fluidas, lubricantes avanzados y biofluidos que desafían descripciones simples.

Cita: 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

Palabras clave: fluido Sutterby, flujo no newtoniano, modelo fraccionario, red neuronal, optimización por enjambre de partículas