Estudo computacional baseado em rede neural de Legendre com otimização híbrida por enxame de partículas para escoamento não estacionário fracionário de fluido Sutterby

Fluidos que se comportam de maneiras surpreendentes

Muitas substâncias do dia a dia, desde ketchup e iogurte até sangue e fusões de polímero, não escoam como a água comum. Elas podem engrossar quando agitadas ou afinar quando comprimidas, tornando seu controle desafiador em tecnologias como processamento de alimentos, fabricação de plástico e dispositivos biomédicos. Este estudo foca em um desses materiais complexos, chamado fluido Sutterby, e mostra como ferramentas modernas de inteligência artificial podem prever seu movimento com maior precisão em condições industriais realistas.

Por que esse fluido estranho é importante

Um fluido Sutterby é um modelo para líquidos que podem tanto afinarem quanto engrossarem dependendo da intensidade com que são agitados ou esticados. Esses materiais aparecem na fabricação de polímeros, revestimentos, lubrificantes e em alguns escoamentos biológicos. Em muitas aplicações o fluido se move sobre uma superfície que se estende, é comprimido entre placas ou infiltra-se através de um meio poroso como um filtro, tudo isso enquanto é afetado por campos magnéticos. Capturar esse comportamento com equações padrão é difícil porque o fluido parece “lembrar” como foi movido anteriormente, de modo que seu movimento atual depende tanto da história quanto das forças presentes.

Adicionando memória ao modelo do fluido

Os autores descrevem o movimento não estacionário de um fluido Sutterby escoando entre placas, onde a abertura pode alargar ou estreitar e a superfície inferior é porosa. Eles representam os efeitos de memória com uma ferramenta matemática chamada derivada temporal de ordem fracionária, que permite ao modelo levar em conta movimentos passados de forma gradual em vez de usar uma única escala temporal rígida. Também incluem a influência de um campo magnético, a resistência do meio poroso e a compressão das placas. Isso gera uma equação compacta para como a velocidade do fluido varia através do vão, junto com condições de contorno que descrevem como o fluido adere e se move com as paredes.

Ensinando uma rede neural a resolver o escoamento

Em vez de depender de solucionadores numéricos tradicionais, a equipe usa uma rede neural artificial de Legendre, um tipo especial de rede que constrói sua resposta a partir de formas suaves e matematicamente bem comportadas. O perfil de velocidade desconhecido é escrito como uma soma dessas formas, e um processo de treinamento ajusta os parâmetros da rede até que a equação governante e as condições de contorno sejam satisfeitas o mais fielmente possível. Para encontrar os melhores parâmetros de forma eficiente, os autores usam uma família de métodos de busca inspirados em bandos de pássaros, conhecidos como otimização por enxame de partículas, incluindo uma versão que também carrega sua própria memória de passos anteriores e um híbrido que combina os dois.

Como os controles do escoamento alteram o movimento

Com essa configuração, os pesquisadores exploram como diferentes ajustes no sistema modificam o escoamento. Aumentar a ordem fracionária, que reforça o efeito de memória, faz com que o fluido acelere mais pelo canal. Em contraste, uma maior resistência devido à permeabilidade do meio poroso desacelera o fluido, assim como a compressão positiva quando as placas se aproximam. Compressão negativa, quando as placas se afastam, intensifica o movimento. Uma influência magnética mais forte tende a elevar o perfil de velocidade, indicando escoamento mais rápido. Ao longo desses testes, as soluções da rede neural permanecem estáveis e coincidem de perto com dados de referência, e o método híbrido de otimização encontra de forma consistente respostas precisas com erros menores do que os métodos de enxame padrão ou fracionário isoladamente.

O que isso significa para aplicações no mundo real

O estudo demonstra que combinar modelos de fluidos com memória e redes neurais cuidadosamente projetadas pode capturar características sutis do escoamento de líquidos complexos em cenários realistas. A rede de Legendre otimizada por enxame híbrido converge rapidamente, mantém pequenos erros de previsão e lida com as fortes não linearidades introduzidas pela resistência porosa, compressão das placas e forças magnéticas. Embora o trabalho foque apenas no momento e ainda não trate de efeitos térmicos ou químicos, a abordagem oferece uma ferramenta flexível para engenheiros que projetam processos envolvendo soluções poliméricas viscosas ou diluídas, lubrificantes avançados e biofluidos que desafiam descrições simples.

Citação: 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

Palavras-chave: fluido Sutterby, escoamento não Newtoniano, modelo fracionário, rede neural, otimização por enxame de partículas