Legendre-neuraalnetwerk-gebaseerde computationele studie via hybride particle swarm-optimalisatie voor fractionele onstabiele stroming van Sutterby-vloeistof

Vloeistoffen die zich op verrassende manieren gedragen

Veel alledaagse stoffen, van ketchup en yoghurt tot bloed en polymeersmelt, vloeien niet zoals gewoon water. Ze kunnen dikker worden bij roeren of dunner bij samenpersen, wat hun beheersing bemoeilijkt in technologieën zoals voedselverwerking, kunststofproductie en biomedische apparaten. Deze studie richt zich op een dergelijk complex materiaal, genaamd Sutterby-vloeistof, en laat zien hoe moderne kunstmatige intelligentie-instrumenten de beweging ervan onder realistische industriële omstandigheden nauwkeuriger kunnen voorspellen.

Waarom deze vreemde vloeistof er toe doet

Een Sutterby-vloeistof is een model voor vloeistoffen die zowel kunnen verdunnen als verdikken, afhankelijk van hoe sterk ze worden geroerd of uitgerekt. Deze materialen komen voor bij polymeerproductie, coatings, smeermiddelen en sommige biologische stromingen. In veel toepassingen beweegt de vloeistof over een oppervlak dat uitrekt, wordt samengedrukt tussen platen of sijpelt door een poreus materiaal zoals een filter, terwijl ze tegelijkertijd door magnetische velden worden beïnvloed. Dit gedrag vastleggen met standaardvergelijkingen is moeilijk omdat de vloeistof als het ware een "geheugen" heeft van eerdere bewegingen, zodat de huidige beweging afhankelijk is van zowel de geschiedenis als de actuele krachten.

Geheugen toevoegen aan het vloeistofmodel

De auteurs beschrijven de onstabiele beweging van een Sutterby-vloeistof die tussen platen stroomt, waarbij de opening kan groter of kleiner worden en het onderste oppervlak poreus is. Ze modelleren geheugeneffecten met een wiskundig hulpmiddel genaamd een tijdafgeleide van fractionele orde, waarmee het model voorbijgaande bewegingen geleidelijk kan meewegen in plaats van een enkel scherp tijdschaal te gebruiken. Ze nemen ook de invloed van een magnetisch veld, de weerstand van het poreuze medium en het samenknijpen van de platen mee. Dit levert een compacte vergelijking op voor hoe de vloeissnelheid over de kier verandert, samen met randvoorwaarden die beschrijven hoe de vloeistof aan de wanden hecht en meebeweegt.

Een neuraal netwerk leren om de stroming op te lossen

In plaats van te steunen op traditionele numerieke oplossers gebruikt het team een Legendre-kunstmatig neuraal netwerk, een speciaal type netwerk dat zijn respons opbouwt uit gladde, wiskundig goedgedragende golfvormen. Het onbekende snelheidsprofiel wordt geschreven als een som van deze basisvormen en een trainingsproces past de netwerkparameters aan totdat de heersende vergelijking en de randvoorwaarden zo goed mogelijk worden voldaan. Om de beste parameters efficiënt te vinden, gebruiken de auteurs een familie zoekmethoden geïnspireerd op zwermende vogels, bekend als particle swarm-optimalisatie, inclusief een variant die ook een eigen geheugen van vorige stappen onderhoudt en een hybride die beide combineert.

Hoe stuureffecten de beweging veranderen

Met deze opzet onderzoeken de onderzoekers hoe verschillende knoppen in het systeem de stroming wijzigen. Het verhogen van de fractionele orde, wat het geheugeneffect versterkt, zorgt ervoor dat de vloeistof sneller accelereert over het kanaal. Omgekeerd vertraagt een grotere permeabiliteitsweerstand van het poreuze oppervlak de vloeistof, net als positieve knijping wanneer de platen naar elkaar toe bewegen. Negatieve knijping, waarbij de platen uit elkaar bewegen, versterkt de beweging. Een sterkere magnetische invloed lijkt het snelheidsprofiel omhoog te verplaatsen, wat wijst op snellere stroming. In al deze tests blijven de oplossingen van het neurale netwerk stabiel en sluiten ze nauw aan bij referentiegegevens, en de hybride optimalisatiemethode vindt consequent nauwkeurige antwoorden met kleinere fouten dan zowel de standaard- als de fractionele zwermmethoden afzonderlijk.

Wat dit betekent voor toepassingen in de praktijk

De studie toont aan dat het combineren van geheugen-gebaseerde vloeistofmodellen met zorgvuldig ontworpen neurale netwerken subtiele stromingseigenschappen van complexe vloeistoffen in realistische situaties kan vastleggen. Het hybride, door zwerm geoptimaliseerde Legendre-netwerk convergeert snel, behoudt kleine voorspelfouten en kan de sterke niet-lineariteiten aan die worden geïntroduceerd door poreuze weerstand, samenknijpende platen en magnetische krachten. Hoewel het werk zich tot nu toe alleen op momentum richt en nog niet op warmte- of chemische effecten, biedt de benadering een flexibel hulpmiddel voor ingenieurs die processen ontwerpen met dikke of dunne polymeeroplossingen, geavanceerde smeermiddelen en biofluïda die zich niet eenvoudig laten beschrijven.

Bronvermelding: 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

Trefwoorden: Sutterby-vloeistof, niet-Newtoniaanse stroming, fractioneel model, neuraal netwerk, particle swarm-optimalisatie