Stefan吹扫及化学反应作用下Darcy-Forchheimer磁Maxwell流体在拉伸圆柱上的传热与传质

《PROCEEDINGS OF THE NATIONAL ACADEMY OF SCIENCES INDIA SECTION A-PHYSICAL SCIENCES》：Heat and Mass Transfer in Darcy–Forchheimer Magneto-Maxwell Fluid Flow Over a Stretching Cylinder Under Stefan Blowing and Chemical Reaction Effects

　　本文提出了一种数值方法，用于模拟幂律Maxwell流体在拉伸圆柱面上的稳态、层流、轴对称流动。研究涉及复杂的物理效应，包括磁场、热辐射、速度滑移、Stefan吹扫效应和粘性耗散，这些因素对于热管理和先进制造系统至关重要。通过相似性变换简化控制偏微分方程，并采用谱准线性化方法求解，提供了高精度的参考数据。为提高计算效率并实现预测建模，开发并训练了一个有监督前馈人工神经网络（ANN），采用Levenberg-Marquardt反向传播算法（BANN-LMT）进行训练。该方法将神经网络应用于上述现象耦合效应对透性圆柱边界层流动的研究，体现了本研究的创新性。ANN有效地学习了关键参数与流动行为之间的非线性相互作用。训练后的模型表现出优异的性能，在103次迭代内实现了均方误差为$2.5985 \times 10^{-9}$、梯度为$9.1696 \times 10^{-8}$，回归值接近1。利用ANN进行的敏感性分析突出了Deborah数和Biot浓度数对输运现象的影响。较高的Deborah数增加弹性阻力，降低速度和浓度分布，而较大的Biot数由于热能传递减少而降低表面温度。该AI集成框架提供了可靠高效的传统求解器替代方案，支持实时预测和参数调优。本研究在聚合物加工、纤维纺丝、换热器和生物医学微流体系统等领域具有应用前景，展示了其在复杂流体动力学建模中的实际应用价值。