Enfoque de redes neuronales predictivas inteligentes con retropropagación para la dinámica de burbujas de gas impulsadas por ondas acústicas en fluidos no newtonianos

La imagenología por ultrasonido, a menudo conocida como sonografía, utiliza ondas sonoras de alta frecuencia para generar imágenes de estructuras internas del cuerpo humano. Su naturaleza no agresiva y capacidades en tiempo real la hacen comúnmente utilizada en diagnósticos médicos. Las ondas de ultrasonido se proyectan en el cuerpo y sus ecos se registran para producir imágenes intrincadas de órganos, tejidos y fetos en el útero, entre otras cosas. Un aspecto esencial para mejorar la calidad de la imagen y la seguridad implica el examen de cómo las ondas sonoras interactúan con los tejidos biológicos, incluidos los fenómenos de propagación, reflexión y absorción del ultrasonido. Se utiliza comúnmente para monitorizar el bienestar y el crecimiento del feto a lo largo del embarazo. Varios órganos, como el hígado, los riñones, el corazón y las arterias sanguíneas, también se examinan para detectar anomalías, tumores y otros trastornos. Este trabajo investiga el comportamiento de burbujas de gas con forma esférica en un fluido no newtoniano cuando se someten a un campo sónico externo. La inteligencia artificial ha impactado enormemente la dinámica de fluidos al mejorar la eficiencia de la malla, reducir la intervención manual, ofrecer predicciones confiables, ayudar en el análisis de datos y permitir la automatización de máquinas. Esta investigación investiga el comportamiento de las burbujas en el flujo de un modelo de fluido hiperbólico tangente (THFM) mediante la aplicación de métodos de inteligencia artificial. El sistema utiliza redes No Lineales Autorregresivas con entradas Exógenas (NARX) entrenadas con la técnica de Levenberg–Marquardt (LMT), conocida como NARX. El modelo NARX-LMT se aplicó a datos producidos utilizando el enfoque numérico de Adams para el THFM ajustando sistemáticamente parámetros como número de Weber, número de Weissenberg, presión que afecta la velocidad y radio de la burbuja. La efectividad del THFM proyectado se demuestra de manera integral a través de los errores cuadráticos medios generados en curvas de aprendizaje iterativo, gráficos de histogramas de error, análisis de factores de control adaptativos, regresión y métricas de respuesta de series temporales para diferentes versiones de ecuaciones diferenciales no lineales del THFM basadas en la dinámica de burbujas.