Innovativa analysmetoder baserade på Aboodh-transformen för icke‑linjära Burgers-partiella differentialekvationer

Varför nya matematiska verktyg spelar roll för verkliga vågor

Många fysikaliska system — från trafikstockningar och stötvågor i luft till fluidflöden i rör — beskrivs av ekvationer som följer hur vågor brantas upp, sprids och växelverkar. Ett välkänt exempel är Burgers’ ekvation. När dessa system har ”minne”, det vill säga när deras nuvarande tillstånd beror på det förflutna, räcker inte de vanliga ekvationerna till. Denna artikel presenterar två avancerade men effektiva matematiska verktyg som hanterar sådana minnesrika system och hjälper forskare och ingenjörer att få noggranna lösningar på komplexa vågproblem inom fysik, teknik och även biologi.

Ekvationer med minne och varför de är svåra

Klassisk analys använder heltalsordningars derivator för att beskriva förändring. Fraktionell kalkyl utvidgar denna idé till icke‑heltaliga ordningar, vilket låter ekvationer fånga långsiktigt minne och icke‑lokala effekter. För våg‑ och flödesproblem leder detta till fraktionella varianter av Burgers‑ och KdV–Burgers‑ekvationerna, som bättre speglar verkligheten men också är betydligt svårare att lösa. Traditionella numeriska scheman kan vara långsamma, komplicerade och ha svårigheter med starkt icke‑linjärt beteende. Författarna fokuserar på tids‑fraktionella former av dessa ekvationer, använder en populär definition av minne — Caputo‑derivatan — och ställer frågan: kan vi hitta snabba, noggranna och matematiskt kontrollerade sätt att approximera deras lösningar?

En ny vinkel på transformeringar och potensserier

Kärnan i arbetet är användningen av Aboodh‑transformen, en relativt ny släkting till klassiska verktyg som Laplace‑transformen. När den tillämpas på de fraktionella Burgers‑typen av ekvationer förvandlar den det ursprungliga problemet till algebraiska uttryck som har en mycket regelbunden potensseriestruktur. Denna struktur eliminerar många av de röriga konvolutionsled som vanligtvis plågar icke‑linjära problem. Utifrån detta utvecklar författarna två kompletterande angreppssätt. Aboodh Residual Power Series Method (ARPSM) representerar den transformerade lösningen som en fraktionell potensserie och justerar systematiskt serieskoefficienterna så att kvarvarande fel, eller residualen, krymper på ett kontrollerat sätt. Parallellt kombinerar Aboodh Transform Iteration Method (ATIM) samma transform med ett iterativt korrigeringsschema som förfinar en initial gissning stegvis.

Hur metoderna byggs upp och prövas

Artikeln utvecklar noggrant de matematiska grunder som behövs för att göra dessa idéer precisa. Författarna bevisar hur derivator beter sig under Aboodh‑transformen, härleder en skräddarsydd version av Taylors serie i transformdomänen och visar hur man kan extrahera serieskoefficienter från gränsvärden vid oändligheten. De definierar sedan residualfunktioner som mäter hur väl en trunkerad serie uppfyller den transformerade ekvationen och bevisar att dessa residualer avtar när fler termer läggs till, vilket säkerställer konvergens. Felgränser anges och visar att approximationen förbättras snabbt för varje extra term, särskilt för måttliga tider och fraktionella ordningar mellan noll och ett. Detta teoretiska ramverk ligger till grund för både ARPSM och ATIM och garanterar att de inte bara fungerar numeriskt av en slump.

Att pröva metoderna i praktiken

För att visa praktisk nytta tillämpar författarna båda metoderna på två referensproblem: en fraktionell KdV–Burgers‑ekvation, som kombinerar vågbrantning och dissipation, och en fraktionell Burgers‑ekvation, en standardmodell för stötliknande beteende. I varje fall väljer de begynnelsevillkor och parametervärden för vilka en exakt lösning är känd, vilket möjliggör en direkt kontroll av noggrannheten. För KdV–Burgers‑fallet uppnår ATIM extremt små fel — ned mot cirka en del på en miljard — med endast några få seriestermer och överträffar tydligt både ARPSM och en välkänd teknik kallad homotopi‑perturbationsmetoden. För den enklare fraktionella Burgers‑ekvationen är ARPSM marginellt bättre än ATIM. Grafiska plottar visar att när den fraktionella ordningen närmar sig ett återhämtar båda metoderna smidigt de klassiska lösningarna, medan lägre ordningar ger flackare, mer diffusa vågprofiler som återspeglar starkare minneffekter.

Vad detta betyder för vetenskap och teknik

Enkelt uttryckt visar studien att genom att välja rätt matematiska ”lins” — här Aboodh‑transformen kombinerad med potensserier eller iteration — kan forskare tygla ekvationer som minns sitt förflutna och ändå få skarpa, tillförlitliga prognoser. De två föreslagna metoderna är relativt enkla att implementera, undviker överdriven beräkningskostnad och levererar hög noggrannhet över en rad testfall. Det gör dem till lovande verktyg för att hantera realistiska modeller av fluidflöden, vågrörelser, transport i komplexa medier och andra system där minne inte kan förbises. Författarna lyfter också fram öppna riktningar, såsom att utvidga angreppssättet till mer exotiska begrepp av minne och högre‑dimensionella problem, vilket tyder på att dessa Aboodh‑baserade tekniker kan bli en mångsidig del av den moderna fraktionella kalkylens verktygslåda.

Citering: Iqbal, N., Aldhabani, M.S., Haleemzai, I. et al. Innovative Aboodh-based gractional analytical methods for nonlinear Burgers’ partial differential equations. Sci Rep 16, 12602 (2026). https://doi.org/10.1038/s41598-026-41658-1

Nyckelord: fraktionär Burgers‑ekvation, Aboodh‑transform, residual potensserie, iterativ analytisk metod, vågpropagering