基于人工神经网络的磁流体动力学多孔介质中三杂化纳米流体热辐射混合对流建模研究

为解决纳米流体在磁流体动力学(MHD)和热辐射耦合作用下的复杂传热传质问题，研究人员采用Levenberg-Marquardt人工神经网络(LM-ANN)与BVP4C数值方法相结合的策略，建立了三杂化纳米流体(Tri-HNF)在多孔介质中的混合对流模型。研究揭示了纳米层厚度、粒子形态和磁场对热传输的调控机制，实现了R=1的预测精度和MSE<10-9的误差控制，为微流体冷却和能源系统优化提供了新范式。

　　

在能源系统和微流体器件领域，如何高效调控纳米流体的传热性能一直是关键科学难题。传统单相或杂化纳米流体在强磁场、热辐射和多孔介质耦合作用下的传热机制尚不明确，特别是含有三种纳米颗粒的三杂化纳米流体(Tri-HNF)的复杂传输行为亟需建立精准预测模型。西北工业大学数学与统计学院的研究团队创新性地将人工神经网络与数值计算相结合，在《Journal of Radiation Research and Applied Sciences》发表了突破性研究成果。

研究采用BVP4C数值解法获取高精度训练数据，构建了60神经元的LM-ANN模型，通过相似性变换将控制方程转化为非线性常微分方程组。关键技术包括：基于SWCNT-MWCNT-Al₂O₃/乙二醇的Tri-HNF物性建模、包含纳米层效应的热导率修正、考虑洛伦兹力和达西阻力的动量方程耦合求解，以及辐射热流与化学反应项的耦合处理。

数学建模部分建立了包含连续性方程、动量方程、能量方程和组分方程的完整体系。通过引入无量纲变量，将偏微分方程组转化为包含Δ₁-Δ₅等复合参数的常微分方程组，其中Δ₃=(ρC_p)_thnf/(ρC_p)_f表征Tri-HNF的热容增强效应。

结果分析显示：

1. 球形纳米颗粒使努塞尔数(Nu_xRe_x^1/2)提升19.7%，证实形态学调控的重要性；

2. 纳米层厚度增加10nm可使有效热导率提升23.5%，揭示了界面工程的价值；

3. 磁场参数M₀从1增至7时，速度衰减达58.3%，证实电磁制动效应的可控性；

4. 孔隙参数P₀增大导致速度梯度下降41.2%，表明多孔介质对流动的显著抑制。

ANN验证部分取得了决定性成果：在ξ∈[0,2]的计算域内，LM-ANN对温度场预测的MSE低至4.7205×10^-9，回归系数R严格等于1。误差分析表明，速度、温度和浓度场的最大绝对误差分别控制在10^-5、4×10^-5和10^-4量级。

这项研究的重要意义在于：首次建立了融合纳米层效应、粒子形态学和磁-多孔耦合的Tri-HNF智能预测模型，为设计新一代微电子冷却系统提供了理论工具。特别是提出的LM-ANN架构，实现了复杂物理场的高效计算，计算速度较传统数值方法提升3个数量级，在能源工程和生物医学器件领域具有广阔应用前景。研究揭示的"球形纳米颗粒+厚纳米层"协同强化机制，为纳米流体配方优化提供了明确指导原则。