Obliczeniowe badanie z wykorzystaniem sieci neuronowej o bazie funkcji Legendre’a i hybrydowej optymalizacji roju cząstek dla ułamkowego nieustalonego przepływu cieczy Sutterby

Ciecze zachowujące się w zaskakujący sposób

Wiele codziennych substancji — od keczupu i jogurtu po krew i topione polimery — nie płynie jak zwykła woda. Mogą gęstnieć przy mieszaniu lub rzednąć przy ściskaniu, co utrudnia ich kontrolę w technologiach takich jak przetwórstwo żywności, wytwarzanie tworzyw sztucznych czy urządzenia biomedyczne. W badaniu skupiono się na jednym z takich złożonych materiałów, zwanym cieczą Sutterby, i pokazano, jak nowoczesne narzędzia sztucznej inteligencji mogą dokładniej przewidywać jej ruch w realistycznych warunkach przemysłowych.

Dlaczego ta nietypowa ciecz jest istotna

Ciecz Sutterby to model cieczy, które mogą zarówno rzednąć, jak i gęstnieć w zależności od intensywności mieszania lub rozciągania. Materiały tego typu występują przy produkcji polimerów, w powłokach, środkach smarnych oraz w niektórych przepływach biologicznych. W wielu zastosowaniach ciecz porusza się po rozciągającej się powierzchni, jest ściskana między płytami lub przesiąka przez porowity materiał, taki jak filtr, jednocześnie pod wpływem pól magnetycznych. Opisanie takiego zachowania standardowymi równaniami jest trudne, ponieważ ciecz wydaje się „pamiętać” wcześniejsze przemieszczenia — jej aktualny ruch zależy więc od historii, a nie tylko od obecnych sił.

Dodanie pamięci do modelu cieczy

Autorzy opisują nieustalony ruch cieczy Sutterby płynącej między płytami, gdzie szczelina może się rozszerzać lub zwężać, a dolna powierzchnia jest porowata. Efekty pamięci reprezentują za pomocą matematycznego narzędzia zwanego pochodną czasową rzędu ułamkowego, które pozwala modelowi uwzględniać przeszły ruch w sposób rozciągnięty w czasie zamiast przyjmować pojedynczą ostrą skalę czasową. Dołączono także wpływ pola magnetycznego, opór ośrodka porowatego oraz ściskanie płyt. Wynikiem jest zwarte równanie opisujące zmiany prędkości cieczy przez szczelinę wraz z warunkami brzegowymi opisującymi, jak ciecz przywiera i porusza się wraz ze ścianami.

Nauczanie sieci neuronowej rozwiązywania przepływu

Zamiast polegać na tradycyjnych solverach numerycznych zespół używa sztucznej sieci neuronowej opierającej się na funkcjach Legendre’a — szczególnego typu sieci, która buduje swoją odpowiedź z gładkich, matematycznie dobrze ułożonych kształtów falowych. Nieznany profil prędkości zapisano jako sumę tych kształtów, a proces uczenia dopasowuje parametry sieci tak długo, aż równanie rządzące i warunki brzegowe będą spełnione jak najdokładniej. Aby sprawnie znaleźć najlepsze parametry, autorzy wykorzystują rodzinę metod przeszukiwania inspirowanych stadnym lotem ptaków, znanych jako optymalizacja rojem cząstek, w tym wersję z pamięcią poprzednich kroków oraz hybrydę łączącą obie metody.

Jak elementy sterujące przepływem zmieniają ruch

Dzięki temu podejściu badacze badają, jak różne parametry systemu wpływają na przepływ. Zwiększenie rzędu ułamkowego, co wzmacnia efekt pamięci, powoduje szybsze przyspieszanie cieczy przez kanał. W przeciwieństwie do tego większy opór przepuszczalności wynikający z powierzchni porowatej spowalnia przepływ, podobnie jak dodatnie ściskanie, gdy płyty zbliżają się do siebie. Ujemne ściskanie, gdy płyty oddalają się, wzmacnia ruch. Silniejsze pole magnetyczne zwykle podnosi profil prędkości, co oznacza szybszy przepływ. We wszystkich testach rozwiązania sieci neuronowej pozostają stabilne i dobrze zgadzają się z danymi referencyjnymi, a metoda hybrydowej optymalizacji rojem konsekwentnie znajduje dokładne rozwiązania z mniejszymi błędami niż sama standardowa lub ułamkowa wersja roju.

Co to oznacza dla zastosowań praktycznych

Badanie pokazuje, że połączenie modeli cieczy uwzględniających pamięć z odpowiednio zaprojektowanymi sieciami neuronowymi potrafi oddać subtelne cechy przepływu złożonych płynów w realistycznych warunkach. Hybrydowa, optymalizowana rojem sieć Legendre’a szybko zbiega, utrzymuje niskie błędy predykcji i radzi sobie z silnymi nieliniowościami wprowadzanymi przez opór porowaty, ściskające płyty i siły magnetyczne. Chociaż praca koncentruje się wyłącznie na pędzie, a nie na przewodzeniu ciepła czy efektach chemicznych, podejście to daje inżynierom elastyczne narzędzie do projektowania procesów z udziałem gęstych lub rzadkich roztworów polimerów, zaawansowanych środków smarnych i biofluids, które wymykają się prostym opisom.

Cytowanie: 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

Słowa kluczowe: Ciecz Sutterby, przepływ nienewtonowski, model ułamkowy, sieć neuronowa, optymalizacja rojem cząstek