Étude computationnelle basée sur un réseau de neurones de Legendre via optimisation hybride par essaim de particules pour l’écoulement instationnaire fractionnaire d’un fluide de Sutterby

Des fluides au comportement surprenant

Beaucoup de substances du quotidien, du ketchup et du yaourt au sang et aux polymères fondus, ne s’écoulent pas comme de l’eau ordinaire. Elles peuvent épaissir lorsqu’on les remue ou s’affiner lorsqu’on les comprime, ce qui complique leur maîtrise dans des technologies telles que la transformation alimentaire, la fabrication de plastiques et les dispositifs biomédicaux. Cette étude se concentre sur un de ces matériaux complexes, appelé fluide de Sutterby, et montre comment les outils modernes d’intelligence artificielle peuvent prédire son mouvement plus précisément dans des conditions industrielles réalistes.

Pourquoi ce fluide étrange importe

Un fluide de Sutterby est un modèle pour des liquides qui peuvent s’amincir ou s’épaissir selon l’intensité du cisaillement ou de l’étirement. Ces matériaux apparaissent dans la fabrication de polymères, les revêtements, les lubrifiants et certains écoulements biologiques. Dans de nombreuses applications, le fluide s’écoule sur une surface qui s’étire, est comprimé entre des plaques, ou s’infiltre à travers un milieu poreux comme un filtre, tout en étant affecté par des champs magnétiques. Capturer ce comportement avec des équations classiques est difficile car le fluide semble « se souvenir » des mouvements antérieurs : son mouvement présent dépend donc de son histoire en plus des forces actuelles.

Ajouter la mémoire au modèle de fluide

Les auteurs décrivent le mouvement instationnaire d’un fluide de Sutterby s’écoulant entre des plaques, dont l’écartement peut s’élargir ou se rétrécir, la surface inférieure étant poreuse. Ils représentent les effets de mémoire par un outil mathématique appelé dérivée temporelle d’ordre fractionnaire, qui permet au modèle de prendre en compte les mouvements passés de manière graduelle plutôt que par une seule échelle de temps nette. Ils incluent également l’influence d’un champ magnétique, la résistance du milieu poreux et le cisaillement des plaques. Cela produit une équation compacte pour l’évolution de la vitesse du fluide à travers l’entrefer, accompagnée de conditions aux limites décrivant l’adhérence et le mouvement du fluide au contact des parois.

Apprendre à un réseau de neurones à résoudre l’écoulement

Plutôt que de s’appuyer sur des solveurs numériques traditionnels, l’équipe utilise un réseau de neurones artificiels de type Legendre, un type particulier de réseau qui construit sa réponse à partir de formes ondulatoires lisses et bien comportées sur le plan mathématique. Le profil de vitesse inconnu est exprimé comme une somme de ces formes, et un processus d’apprentissage ajuste les paramètres du réseau jusqu’à ce que l’équation gouvernante et les conditions aux limites soient satisfaites le plus fidèlement possible. Pour trouver les meilleurs paramètres de façon efficace, les auteurs emploient une famille de méthodes de recherche inspirées du comportement d’essaim d’oiseaux, connues sous le nom d’optimisation par essaim de particules, incluant une version qui conserve aussi sa propre mémoire des étapes passées et une approche hybride qui combine les deux.

Comment les contrôles d’écoulement modifient le mouvement

Avec cette configuration, les chercheurs explorent comment différents paramètres du système modifient l’écoulement. L’augmentation de l’ordre fractionnaire, qui renforce l’effet mémoire, accélère le fluide à travers le canal. En revanche, une résistance poreuse plus importante ralentit le fluide, tout comme le serrage positif lorsque les plaques se rapprochent. Un serrage négatif, où les plaques s’écartent, amplifie le mouvement. Une influence magnétique plus forte tend à relever le profil de vitesse, signe d’un écoulement plus rapide. Dans ces tests, les solutions fournies par le réseau restent stables et correspondent étroitement aux références, et la méthode d’optimisation hybride trouve systématiquement des réponses précises avec des erreurs plus faibles que l’essaim standard ou les versions fractionnaires seules.

Ce que cela signifie pour les applications réelles

L’étude montre que l’association de modèles de fluides à mémoire et de réseaux de neurones soigneusement conçus permet de capturer des caractéristiques subtiles d’écoulement de liquides complexes en conditions réalistes. Le réseau de Legendre optimisé par essaim hybride converge rapidement, maintient de faibles erreurs de prédiction et gère les fortes non-linéarités introduites par la résistance poreuse, le serrage des plaques et les forces magnétiques. Bien que le travail porte pour l’instant uniquement sur la quantité de mouvement et non encore sur la chaleur ou les effets chimiques, l’approche offre un outil flexible pour les ingénieurs concevant des procédés impliquant des solutions de polymères épaisses ou fluides, des lubrifiants avancés et des biofluides qui échappent aux descriptions simples.

Citation: 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

Mots-clés: fluide de Sutterby, écoulement non newtonien, modèle fractionnaire, réseau de neurones, optimisation par essaim de particules