基于Sigmoid与Fibonacci神经网络的无监督机器学习方法研究电渗驱动Casson混合纳米流体流动及其在生物医学中的应用

本研究针对电渗蠕动传输Casson（血液）基混合纳米流体(Fe2O3-Cu)在非对称多孔通道中的流动问题，提出采用无监督Sigmoid神经网络(SNNs)、Fibonacci神经网络(FNNs)及其混合模型(FSNNs)进行求解。研究综合考虑电磁场效应、欧姆加热及速度-热滑移条件，结果表明FSNNs模型在精度与稳定性方面表现最优，为微流控、生物医学及热管理系统的设计提供了重要理论依据与技术支撑。

　　

本研究通过无监督机器学习方法探索了电渗作用驱动的Casson型混合纳米流体（Fe₂O₃-Cu）在多孔介质内非对称通道中的蠕动传输行为。模型综合考虑了电磁场（EMF）效应、欧姆加热（Ohmic heating）以及速度与热滑移边界条件，并在低雷诺数（Reynolds number）和长波长假设下，采用Sigmoid神经网络（SNNs）、Fibonacci神经网络（FNNs）及其混合模型（FSNNs）对控制方程进行简化和求解。

性能比较表明，FSNNs模型在预测精度与数值稳定性方面均优于单一模型。参数分析显示，温度随格拉晓夫数（Gr）、布林克曼数（Brinkman number）和热源/汇参数的增大而上升，而随卡森参数（Casson parameter）、孔隙度因子（porosity factor）及速度滑移参数的增大而降低。压力梯度随Gr、?（未明确物理意义）及U_hs的增大而增大，但随哈特曼数（Hartmann number）的增加而减小。

该研究为微流控设备（microfluidic devices）、生物医学系统及热管理装置的设计提供了新思路，凸显了电磁调控技术与混合纳米流体在提升系统性能与控制能力方面的潜在价值。