Zespół badawczy, w skład którego wchodzi dr Sahrish Batool Naqvi z Zakładu Informatyki Stosowanej i Fizyki Statystycznej Instytutu Fizyki Teoretycznej opublikował w prestiżowym czasopiśmie Engineering Applications of Artificial Intelligence wyniki badań dotyczących złożonego problemu podwójnej dyfuzji magnetohydrodynamicznej (MHD) w nienewtonowskich ferrofluidach hybrydowych w koncentrycznym falistym cylindrze.

Zrozumienie tego zjawiska jest kluczowe ze względu na jego zastosowania w zaawansowanych systemach chłodzenia, biomedycznym dostarczaniu leków i procesach przemysłowych, w których precyzyjna kontrola dynamiki płynów i wymiany ciepła jest niezbędna. Tradycyjne symulacje napotykają wyzwania w dokładnym uchwyceniu tych złożoności, co sprawia, że ​​konieczne jest zbadanie bardziej wydajnych podejść do modelowania. Aby przezwyciężyć te wyzwania autorzy zastosowali ramy obliczeniowej dynamiki płynów (CFD) w połączeniu z modelowaniem predykcyjnym uczenia maszynowego.

Nowość tej pracy polega na integracji technik uczenia maszynowego z symulacjami CFD w celu modelowania podwójnej dyfuzji MHD w nienewtonowskich ferrofluidach hybrydowych. To podejście zapewnia bardziej precyzyjną i zasobooszczędną metodę analizy złożonych zachowań płynów w porównaniu z tradycyjnymi metodami symulacji. Odkrycia mają istotne implikacje dla różnych zastosowań, w tym systemów energetycznych, inżynierii biomedycznej, chłodzenia przemysłowego i przetwarzania chemicznego. Badanie nie tylko pogłębia zrozumienie zjawisk MHD w płynach nienewtonowskich, ale także oferuje praktyczne spostrzeżenia dotyczące projektowania ulepszonych systemów chłodzenia i innych zastosowań, w których precyzyjna kontrola płynów jest niezbędna.

Na ilustracji: Przewidywana vs rzeczywista lepkość według modelu 1D CNN. (a), (b) przedstawiają wyniki dla 𝑛 = 0,8 oraz 𝑛 = 1,2 przy liczbie Rayleigha (Ra) = 2 × 10⁴ uzyskane z modelu CFD. Wiersz poniżej przedstawia przewidywane wyniki z modelu 1D CNN. Podobnie, (e), (f) przedstawiają wyniki dla n= 0,8 oraz 𝑛 = 1,2 przy Ra = 2 × 10⁵ uzyskane z modelu CFD. Wiersz poniżej przedstawia przewidywane wyniki z modelu 1D CNN.