Studio computazionale basato su rete neurale di Legendre tramite ottimizzazione ibrida a sciame particellare per flusso non stazionario frazionario di fluido di Sutterby

Fluidi che si comportano in modi sorprendenti

Molte sostanze di uso quotidiano, dal ketchup e yogurt al sangue e a melt di polimeri, non scorrono come l’acqua comune. Possono ispessirsi quando vengono mescolate o assottigliarsi quando vengono spremute, rendendole difficili da controllare in tecnologie come la lavorazione alimentare, la produzione di materie plastiche e i dispositivi biomedici. Questo studio si concentra su uno di questi materiali complessi, chiamato fluido di Sutterby, e mostra come gli strumenti moderni di intelligenza artificiale possano prevederne il moto con maggiore accuratezza in condizioni industriali realistiche.

Perché questo fluido strano è importante

Un fluido di Sutterby è un modello per liquidi che possono sia assottigliarsi che ispessirsi a seconda dell’intensità con cui vengono agitati o deformati. Questi materiali compaiono nella produzione di polimeri, nei rivestimenti, nei lubrificanti e in alcuni flussi biologici. In molte applicazioni il fluido scorre su una superficie che si allunga, viene compresso tra piastre o filtra attraverso un materiale poroso come un filtro, il tutto mentre è influenzato da campi magnetici. Catturare questo comportamento con equazioni standard è difficile perché il fluido sembra “ricordare” come è stato mosso in precedenza, quindi il suo moto presente dipende dalla storia oltre che dalle forze correnti.

Aggiungere la memoria al modello del fluido

Gli autori descrivono il moto non stazionario di un fluido di Sutterby che scorre tra piastre, dove lo spazio tra di esse può allargarsi o restringersi e la superficie inferiore è porosa. Rappresentano gli effetti di memoria con uno strumento matematico chiamato derivata temporale di ordine frazionario, che consente al modello di tenere conto dei moti passati in modo graduale invece di usare un singolo tempo caratteristico netto. Includono inoltre l’influenza di un campo magnetico, la resistenza del mezzo poroso e la compressione (squeezing) delle piastre. Il risultato è un’equazione compatta su come la velocità del fluido varia attraverso la fessura, insieme a condizioni al contorno che descrivono come il fluido aderisce e si muove con le pareti.

Insegnare a una rete neurale a risolvere il flusso

Invece di fare affidamento sui tradizionali risolutori numerici, il team utilizza una rete neurale artificiale di Legendre, un tipo speciale di rete che costruisce la sua risposta a partire da forme d’onda lisce e matematicamente ben comportate. Il profilo di velocità incognito viene scritto come somma di queste forme, e un processo di addestramento regola i parametri della rete fino a quando l’equazione governante e le condizioni al contorno sono soddisfatte nel modo più accurato possibile. Per trovare i parametri migliori in modo efficiente, gli autori impiegano una famiglia di metodi di ricerca ispirati agli stormi di uccelli, noti come ottimizzazione a sciame particellare, inclusa una versione che incorpora la propria memoria dei passi passati e un ibrido che combina i due approcci.

Come i controlli del flusso modificano il moto

Con questa configurazione i ricercatori esplorano come diverse manopole del sistema alterano il flusso. Aumentare l’ordine frazionario, che rafforza l’effetto di memoria, provoca un maggiore accelerazione del fluido attraverso il canale. Al contrario, una maggiore resistenza alla permeabilità dovuta alla superficie porosa rallenta il fluido, così come la compressione positiva quando le piastre si avvicinano. Una compressione negativa, dove le piastre si allontanano, aumenta il moto. Un’influenza magnetica più intensa tende a sollevare il profilo di velocità verso l’alto, segnalando un flusso più rapido. In tutti questi test le soluzioni della rete neurale rimangono stabili e concordano da vicino con i dati di riferimento, e il metodo di ottimizzazione ibrido trova consistentemente risposte accurate con errori minori rispetto sia ai metodi a sciame standard sia a quelli frazionari presi singolarmente.

Qual è il significato per gli usi nel mondo reale

Lo studio mostra che fondere modelli fluidi basati sulla memoria con reti neurali progettate con cura può catturare caratteristiche sottili del flusso di liquidi complessi in contesti realistici. La rete di Legendre ottimizzata con sciame ibrido converge rapidamente, mantiene errori di previsione ridotti e gestisce le forti non linearità introdotte dalla resistenza porosa, dalla compressione delle piastre e dalle forze magnetiche. Sebbene il lavoro si concentri attualmente solo sulla quantità di moto e non ancora su effetti termici o chimici, l’approccio offre uno strumento flessibile per gli ingegneri che progettano processi che coinvolgono soluzioni polimeriche viscose o diluite, lubrificanti avanzati e biofluidi che sfidano descrizioni semplici.

Citazione: 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

Parole chiave: fluido di Sutterby, flusso non newtoniano, modello frazionario, rete neurale, ottimizzazione a sciame particellare