מחקר חישובי מבוסס רשת עצבית של לגרנדה בעזרת אופטימיזציית חלקיקי ילקוט היברידית לזרימה לא-יציבה שבריתית של נוזל סוטרבי

נוזלים שמתנהגים בצורה מפתיעה

חומרים רבים מן היומיום, מקטשופ ויוגורט ועד דם ומסת פולימרים, אינם זורמים כמו מים רגילים. הם יכולים להסמיך בעת ערבוב או לדלל בעת לחיצה, מה שמקשה על שליטתם בטכנולוגיות כמו עיבוד מזון, ייצור פלסטיק ומכשור ביורפואי. מחקר זה מתמקד בחומר מורכב אחד כזה, הנקרא נוזל סוטרבי, ומציג כיצד כלים מודרניים של בינה מלאכותית יכולים לנבא את תנועתו בדיוק רב יותר בתנאים תעשייתיים ריאליים.

מדוע נוזל מוזר זה חשוב

נוזל סוטרבי הוא מודל לנוזלים שיכולים גם לדלל וגם להסמיך בהתאם לחוזק הערבוב או המתיחה. חומרים אלה מופיעים בייצור פולימרים, בציפויים, בסיכות שימון ובחלק מזרימות ביולוגיות. בהרבה יישומים הנוזל נע על פני משטח שמתמתח, נלחץ בין לוחות, או נוזל דרך חומר נקבובי כמו מסנן, וכל זה בזמן שהוא מושפע משדות מגנטיים. לכידת התנהגות זו באמצעות משוואות סטנדרטיות קשה כי הנוזל נראה כאילו יש לו "זיכרון" של התנועה הקודמת שלו — תנועתו הנוכחית תלויה גם בהיסטוריה שלו וגם בכוחות העכשוויים.

הוספת זיכרון למודל הנוזל

המחברים מתארים את התנועה הלא-יציבה של נוזל סוטרבי הזורם בין לוחות, כאשר המרחק בין הלוחות יכול להתרחב או להצטמצם והמשטח התחתון נקבובי. הם מייצגים את אפקטי הזיכרון בכלי מתמטי שנקרא נגזרת בזמן מסדר שברתי, שמאפשרת למודל לכלול תנועה עברית בצורה הדרגתית במקום בקנה זמן חד. הם גם כוללים את השפעתו של שדה מגנטי, את ההתנגדות של המדיום הנקבובי, ואת סחיטת הלוחות. זה מניב משוואה קומפקטית שמתארת כיצד המהירות של הנוזל משתנה לאורך המרווח, יחד עם תנאי גבול שמתארים כיצד הנוזל נדבק ונע עם הקירות.

ללמד רשת עצבית לפתור את הזרימה

במקום להסתמך על מפצחי-נומריקה מסורתיים, הצוות משתמש ברשת עצבית של לגרנדה, סוג מיוחד של רשת שבונה את תגובתה מצורות גל חלקות וטובות-התנהגות מתמטית. פרופיל המהירות הלא ידוע נכתב כסכום של צורות אלה, ותהליך אימון מתאם את פרמטרי הרשת עד שהמשוואה השלטת ותנאי הגבול מתקיימים ככל האפשר. כדי למצוא את הפרמטרים הטובים ביעילות, המחברים משתמשים במשפחת שיטות חיפוש בהשראת עופות בעדר, המכונה אופטימיזציית חלקיקי ילקוט, כולל גרסה שגם נושאת עמה זיכרון של צעדים קודמים וגרסה היברידית שמשלבת את השניים.

כיצד שינויים בבקרת הזרימה משפיעים על התנועה

בעזרת ההקמה הזו החוקרים בוחנים כיצד כוונונים שונים במערכת משנים את הזרימה. הגדלת הסדר השברתי, שמגבירה את אפקט הזיכרון, גורמת לנוזל להאיץ יותר בערוץ. לעומת זאת, התנגדות חדירה גבוהה יותר מהמשטח הנקבובי מאטה את הנוזל, כפי שעושה סחיטה חיובית כאשר הלוחות נעים זה כלפי זה. סחיטה שלילית, שבה הלוחות מתרחקים, מגבירה את התנועה. השפעה מגנטית חזקה יותר נוטה להרים את פרופיל המהירות כלפי מעלה, מעידה על זרימה מהירה יותר. במגוון הבדיקות הללו פתרונות הרשת העצבית נשארים יציבים ותואמים בצמוד לנתוני התייחסות, ושיטת האופטימיזציה ההיברידית מוצאת בעקביות תשובות מדויקות עם שגיאות קטנות יותר מאשר שיטות ילקוט סטנדרטיות או שברתיות לבדן.

מה המשמעות של זה לשימושים בעולם האמיתי

המחקר מראה ששילוב מודלים של נוזלים מבוססי-זיכרון עם רשתות עצביות המעוצבות בקפידה יכול ללכוד תכונות עדינות בזרימה של נוזלים מורכבים בתנאים ריאליים. רשת לגרנדה המאופטימזת בעזרת עדר היברידי מתכנסת במהירות, שומרת על שגיאות חיזוי קטנות ומתמודדת עם האל-קווים החזקים שהחדרה של התנגדות נקבובית, סחיטת לוחות ושופעות מגנטיות יוצרת. אף שמחקר זה מתמקד בתנע (מומנטום) ולא בחום או בהשפעות כימיות, הגישה מציעה כלי גמיש למהנדסים המתכננים תהליכים עם תמיסות פולימר עבות או דקות, חומרי סיכה מתקדמים ונוזלי ביולוגיים המתנגדים לתיאורים פשוטים.

ציטוט: 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

מילות מפתח: נוזל סוטרבי, זרימה שאיננה ניוטונית, מודל שברתי, רשת עצבית, אופטימיזציית חלקיקי ילקוט