Legendre-neuralt nätverksbaserad beräkningsstudie med hybrid partikelsvärmoptimering för fraktionell ostadigt flöde av Sutterby-vätska

Vätskor som beter sig på oväntade sätt

Många vardagliga ämnen, från ketchup och yoghurt till blod och polymersmältor, flyter inte som vanlig vatten. De kan förtjockas vid omrörning eller tunnas ut vid pressning, vilket gör dem svåra att hantera i tekniker som livsmedelsbearbetning, plasttillverkning och medicinska apparater. Denna studie fokuserar på ett sådant komplext material, kallat Sutterby-vätska, och visar hur moderna artificiella intelligensverktyg kan förutsäga dess rörelse mer exakt under realistiska industriella förhållanden.

Varför denna ovanliga vätska spelar roll

En Sutterby-vätska är en modell för vätskor som både kan tunnas ut och förtjockas beroende på hur kraftigt de rörs eller töjs. Dessa material förekommer i polymerframställning, beläggningar, smörjmedel och vissa biologiska flöden. I många tillämpningar rör sig vätskan över en yta som sträcks, pressas mellan plattor eller sipprar genom ett poröst material som ett filter, samtidigt som den påverkas av magnetfält. Att fånga detta beteende med standardekvationer är svårt eftersom vätskan verkar "komma ihåg" hur den tidigare rörde sig, så dess nuvarande rörelse beror både på historien och på de aktuella krafterna.

Lägga till minne i vätskans modell

Författarna beskriver den ostadiga rörelsen hos en Sutterby-vätska som flyter mellan plattor, där gapet kan vidgas eller smalnas och den nedre ytan är porös. De representerar minneseffekter med ett matematisk verktyg kallat en fraktionell tidsderivata, vilket gör att modellen gradvis kan ta hänsyn till tidigare rörelser i stället för att använda en enda skarp tidskala. De inkluderar också påverkan av ett magnetfält, motståndet från det porösa mediet och pressningen av plattorna. Detta ger en kompakt ekvation för hur vätskans hastighet förändras över gapet, tillsammans med randvillkor som beskriver hur vätskan fäster vid och rör sig med väggarna.

Lära ett neuralt nätverk att lösa flödet

I stället för att förlita sig på traditionella numeriska lösare använder teamet ett Legendre-artificiellt neuralt nätverk, en speciell typ av nätverk som bygger sitt svar från släta, matematiskt välbehållna vågformer. Den okända hastighetsprofilen uttrycks som en summa av dessa former, och en träningsprocess justerar nätverkets parametrar tills styrande ekvation och randvillkor är uppfyllda så nära som möjligt. För att hitta de bästa parametrarna effektivt använder författarna en familj av sökmetoder inspirerade av flockande fåglar, kända som partikel-svärmoptimering, inklusive en version som behåller sitt eget minne av tidigare steg och en hybrid som kombinerar de två.

Hur styrning av flödet ändrar rörelsen

Med denna uppställning utforskar forskarna hur olika reglage i systemet påverkar flödet. Att öka den fraktionella ordningen, vilket förstärker minneseffekten, får vätskan att accelerera mer över kanalen. Däremot bromsar större permeabilitetsmotstånd från den porösa ytan vätskan, liksom positiv pressning när plattorna rör sig mot varandra. Negativ pressning, där plattorna rör sig isär, förstärker rörelsen. En starkare magnetisk påverkan tenderar att lyfta hastighetsprofilen uppåt, vilket innebär snabbare flöde. I dessa tester förblir de neurala nätverkslösningarna stabila och överensstämmer väl med referensdata, och hybridoptimeringsmetoden hittar konsekvent exakta svar med mindre fel än vare sig standard- eller fraktionella svärmmetoder var för sig.

Vad detta betyder för praktisk användning

Studien visar att en blandning av minnesbaserade vätskmodeller och omsorgsfullt utformade neurala nätverk kan fånga subtila flödesegenskaper hos komplexa vätskor i realistiska miljöer. Det hybrid-svärmoptimerade Legendre-nätverket konvergerar snabbt, håller små förutsägelsefel och hanterar de starka icke-lineariteter som införs av poröst motstånd, pressade plattor och magnetkrafter. Även om arbetet endast fokuserar på rörelsemängd och ännu inte tar upp värme- eller kemiska effekter, erbjuder tillvägagångssättet ett flexibelt verktyg för ingenjörer som utformar processer med trögflytande eller utspädda polymerlösningar, avancerade smörjmedel och bioflöden som motstår enkla beskrivningar.

Citering: 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

Nyckelord: Sutterby-vätska, icke-Newtoniskt flöde, fraktionell modell, neuronätverk, partikel-svärmoptimering