深度学习神经网络在纳米流体非平衡热物理性质预测中的创新应用

本文推荐：作者创新性地将深度学习神经网络（ANN）应用于纳米流体（nanofluids）的粘度与热导率预测，开发了四层（13神经元/隐层）和三层（9神经元）两种ANN架构。基于半经验状态方程（EoS）提取分子参数，模型对10种纳米流体（如Al2O3/水、TiO2-R/EG）的预测精度达AARD% 2.90（粘度）和1.05（热导率），为工程系统设计提供了高效计算工具。

　　

Highlight

本研究通过深度学习神经网络（ANN）揭示了纳米流体非平衡特性的高精度预测路径。

神经网络建模与架构

人工神经网络（ANN）作为受大脑启发的机器学习方法，通过多层神经元连接（如四层13神经元或三层9神经元架构）捕捉纳米流体中纳米颗粒与基液（如EG/水）的复杂非线性相互作用。分子参数源自半经验状态方程（PHS EoS），为模型赋予物理可解释性。

神经网络模型评估

模型在283–343 K温度范围内表现出色：

• •

  粘度预测：平均绝对相对偏差（AARD%）低至2.90，显著优于传统半经验模型。

• •

  热导率预测：AARD%仅1.05，尤其适用于TiO₂-R/水等体系。

  通过均方根误差（RMSE）和相关系数验证，模型对未参与训练的数据点仍保持稳健性。

结论

ANN成功将硬球直径、能量参数等分子描述符转化为高精度预测工具，为纳米流体在能源与医疗等领域的应用提供计算基准。未来可结合SHAP（Shapley Additive Explanations）等可解释性AI技术进一步优化模型透明度。