基于神经网络的计算方法，用于评估含有取向性氧细菌的丙二醇-水三元纳米流体中的周期性电渗流现象

《Journal of Molecular Liquids》：Neural network-based computational evaluation of periodic electroosmotic flow in propylene glycol–water ternary nanofluids with oxytactic microbes

本研究采用人工智能驱动的ANN模型，探究含三元纳米颗粒（Fe?O?、Al?O?、TiO?）和氧响应微生物的周期性电渗流（PEOF）流体动力学。通过FDM与ANN-BLMA结合，发现电渗流、磁场、布朗运动及微生物间存在竞争效应，三元流体在热传导中表现更优。结果表明，布朗运动参数（Rm）升高增强颗粒运动，提高温度；氧微生物降低纳米颗粒浓度。首次整合AI与非线性生物纳米流体动力学，为高效纳米流体系统设计提供新途径。

　　该研究探讨了人工智能驱动的人工神经网络（ANN）在分析Sutterby三元纳米流体的周期性电渗流（PEOF）中的应用，特别是在含有氧趋性微生物的情况下。这些纳米流体由Fe?O?、TiO?和Al?O?纳米颗粒组成，并以50:50的丙二醇-水（PG-W）作为基础流体。研究还考虑了电渗流与磁参数之间的相互作用，以及氧趋性微生物对浓度分布的影响。通过数值方法和ANN模型的结合，研究人员旨在揭示流体在复杂流体系统中的动态行为，从而推动纳米流体在废水处理、微流体设备和能量传输等领域的应用。

在流体动力学中，周期性电渗流是一种通过交替电场控制流体运动的手段。这种流体行为在多个工程领域中具有重要意义，包括微流体系统中的精确流体控制和混合。此外，电渗流还用于调节流体的质量流量、细胞运动、生物分子分离以及电子冷却等应用。本研究的创新之处在于，首次将ANN模型与周期性电渗流和生物纳米流体的动态行为结合，为相关领域提供了新的研究视角。

研究发现，电渗流和磁参数对流体运动具有竞争性影响。电渗流能够增强流体的运动，而磁参数则通过洛伦兹力对流体产生阻力。氧趋性微生物的存在显著降低了纳米颗粒的浓度分布，因为它们倾向于向氧浓度较高的区域迁移，从而在流体中形成生物对流。此外，布朗运动参数的增加促进了纳米颗粒的随机运动，导致温度升高和浓度降低。研究还指出，随着佩克莱数和生物施密特数的增加，微生物密度会减少，这表明微生物的运动特性在流体动力学中起着重要作用。

Sutterby流体模型是一种用于描述非牛顿流体行为的数学框架，特别适用于剪切稀释或剪切增稠的情况。在工业生产中，如聚合物生产、食品加工和化妆品制造，这种模型的灵活性使其成为研究复杂流体行为的重要工具。通过将Sutterby流体模型与三元纳米流体相结合，研究人员能够更全面地理解流体在不同参数下的行为。

在本研究中，研究人员利用人工神经网络模型对周期性电渗流进行了预测，其预测精度得到了验证。通过比较数值解和ANN预测结果，研究发现ANN在处理复杂数据集方面具有优势，其均方误差（MSE）在10??到10??之间，这表明该模型在流体动力学中的预测能力较强。研究还揭示了电渗流和磁参数如何影响流体运动，以及生物对流和纳米颗粒迁移如何增强热传递性能。

此外，研究中还分析了不同参数对流体性能的影响。例如，电渗流参数的增加会导致流体运动增强，而磁参数的增加则会降低流体的运动速度。研究还发现，三元纳米流体在热传递性能上优于单纳米流体、混合纳米流体和基础流体。这表明，通过合理选择纳米颗粒组合，可以显著提高纳米流体的热传递能力，从而为高性能工程系统提供新的优化途径。

在实际应用中，三元纳米流体的热传递能力可以用于电子设备的冷却，以及在生物启发系统中用于污染物的降解。此外，研究还探讨了如何通过调节参数来优化纳米流体的性能，例如增加布朗运动参数可以提高热传递效率，而增加热源参数则会增强流体的温度分布。这些发现为未来的工程应用提供了重要的参考。

研究还讨论了三元纳米流体在不同参数下的表现。例如，当热源参数增加时，纳米流体的温度分布显著改善，这可能有助于提高热能传输效率。同时，研究还揭示了生物施密特数对微生物分布的影响，表明该参数的增加会降低微生物密度，这可能对生物反应器的设计和生物膜的形成产生重要影响。

在实验验证方面，研究通过与实验数据进行比较，验证了数值方法和ANN模型的准确性。结果表明，所提出的模型能够准确预测流体的热传递和运动特性，具有较高的预测精度和可靠性。此外，研究还指出，ANN模型在处理复杂数据时的优势，以及其在实际应用中的潜力。

综上所述，本研究通过结合数值方法和人工智能技术，为理解纳米流体在复杂流体系统中的行为提供了新的视角。研究结果不仅揭示了纳米流体在不同参数下的性能，还为未来的工程应用提供了理论支持和实践指导。同时，研究也指出了进一步研究的方向，包括改进数据集的质量、验证模型的实用性以及探索更复杂的流体系统。