基于人工神经网络的辐射Eyring-Powell流体生物对流传输特性研究及其在微生物燃料电池中的应用

本研究针对非牛顿流体(Eyring-Powell模型)在圆柱表面的复杂传输问题，结合热辐射、混合对流、粘性耗散和运动微生物等多物理场耦合效应，创新性地采用Maple数值求解与人工神经网络(ANN)预测相结合的混合方法。研究发现ANN预测值与数值解误差小于5%，R2接近1，为微生物燃料电池等生物工程应用提供了高精度计算模型。

　　

在能源技术与生物工程交叉领域，非牛顿流体的传输特性研究一直面临重大挑战。传统牛顿流体理论难以描述油漆、血液等复杂流体的非线性行为，而现有研究多局限于简化几何模型，对圆柱体等实际工程结构中涉及的生物对流(bioconvection)与热质耦合传输缺乏准确预测手段。更关键的是，常规数值方法在处理辐射热传导(RTE)、粘性耗散(viscous dissipation)与微生物运动的多尺度耦合问题时，往往存在计算精度不足的缺陷。

针对这些瓶颈问题，来自韩国汉阳大学人工智能研究生院的研究团队在《Engineering Applications of Artificial Intelligence》发表创新研究。该工作首次将Levenberg-Marquardt算法优化的反向传播人工神经网络(ANN)引入辐射Eyring-Powell流体的生物对流系统分析，建立了包含6个控制参数的预测模型。通过Maple 2024的PDSolve函数获取训练数据，采用矩阵实验室(MATLAB)实现ANN建模，最终在微生物燃料电池等应用场景中实现了误差小于5%的高精度预测。

关键技术包括：1) 基于相似变换的PDE无量纲化处理；2) Maple软件非线性偏微分方程数值求解；3) 包含10个隐藏层的ANN架构设计；4) 采用L-M算法的反向传播训练；5) 对速度场u、温度场T_w、浓度场C_w和微生物场N_w的多参数同步预测。

Mathematical formulation
通过引入Boussinesq近似和相似变换，将控制方程转化为包含辐射参数R_d、生物对流参数Pe、Eyring-Powell参数ε的耦合非线性方程组。边界条件设定为u=0的无滑移条件，并采用对流换热边界处理温度场。

Artificial neural networks
ANN模型以R_d、Pe、ε、Bi(毕渥数)、Ec(埃克特数)等为输入层，通过20次迭代训练达到MSE<10^-4。表1显示在U_∞自由流条件下，ANN预测的微生物密度分布与数值解相关系数达0.998。

Conclusion
该研究突破性地证明：1) ANN能准确捕捉Eyring-Powell流体的剪切稀化特性，在R_d>2时预测误差降低至2.3%；2) 微生物泳动显著增强传质系数，当Pe数从0.1增至1.0时，努塞尔特数Nu提升37%；3) 磁流体参数M>1会导致边界层分离点前移。这些发现为靶向给药系统优化和生物反应器设计提供了新工具，特别在癌症热疗的局部温度控制方面展现出应用潜力。

讨论部分强调，该混合计算方法相比传统有限体积法(FVM)节省了68%计算耗时，但需注意在Ec>5的高耗散区需增加隐藏层节点数。未来工作将拓展至三维曲面流动分析，并整合卷积神经网络(CNN)处理更复杂的多相流问题。