《Next Nanotechnology》：ANN-based prediction of radiative MHD casson blood-based hybrid nanofluid flow over a stretching sheet for biomedical applications: Stability and multiple linear regression approaches
编辑推荐：
：本研究探讨了Au–Cu混合纳米流体在可渗透拉伸片上的磁流体动力学（Magnetohydrodynamic，MHD）流动、传热及稳定性特性，并以Casson血液作为基液。数学模型整合了磁场、热辐射、热生成、Darcy阻力及非牛顿流变特性的影响。控制边界层非线性
：本研究探讨了Au–Cu混合纳米流体在可渗透拉伸片上的磁流体动力学（Magnetohydrodynamic，MHD）流动、传热及稳定性特性，并以Casson血液作为基液。数学模型整合了磁场、热辐射、热生成、Darcy阻力及非牛顿流变特性的影响。控制边界层非线性方程组经相似变换转化为常微分方程组，并利用MATLAB bvp4c求解器进行数值求解。研究人员开展了网格敏感性与计算域独立性两项数值实验以评估数值精度，并辅以时间稳定性分析以评估所得数值解的稳定性。随后训练人工神经网络（Artificial Neural Network，ANN）作为数值解的代理模型。除常规ANN评估指标外，研究人员通过独立的逐案例验证对磁场参数M进行评估，以严格检验泛化能力，确保目标剖面验证过程中不存在逐点泄漏。在此额外评估中，共纳入8条完整速度剖面（8000个空间样本），其中6条剖面用于训练（6000个空间样本），1条剖面用于验证（1000个空间样本），而M=3.1的整条剖面仅用于独立测试（1000个空间样本）。ANN在未见过的M取值范围内取得R2=0.99987、RMSE=1.7107×10?3及MSE=2.9265×10??，与BVP4C参考解高度吻合。研究人员进一步采用多元线性回归（Multiple Linear Regression，MLR）刻画特定参数–响应关系，但内部数据集规模有限，制约了上述结果的解释力。结果表明：磁场抑制速度而提升温度，Darcy阻力则相反地降低速度；相较于纯血液、Au/血液及Cu/血液悬浮液，混合悬浮液在壁面传热幅值上达到最大。上述发现仍属理论层面，在应用于生物医学场景前需经实验验证。
论文解读文章
一、研究背景与问题
血液作为重要生物流体，表现出非牛顿流变特性，并对外部磁场具有显著电导响应。在此类情形下，磁流体动力学（Magnetohydrodynamic，MHD）分析成为描述与控制血液流动行为的必要方法，广泛适用于生物医学与工程应用。向血液中添加金（Au）与铜（Cu）等纳米颗粒可显著增强其有效热导率与传热性能，从而形成高性能的生物混合纳米流体（Hybrid Nanofluid，HNF）。从应用角度出发，血液基混合纳米流体因其在磁场条件下增强的热输运特性而受到广泛关注。
然而，既有关于MHD Casson纳米流体输运的研究通常将数值流动分析、稳定性评估与数据驱动预测视为相互独立的环节，鲜有研究在统一计算框架内同时结合数值解的时间稳定性评估与ANN预测精度的独立验证。此外，多数先前研究仅关注数值解本身，缺乏对其稳定性行为的分析，因而在物理合理性方面存在不足。为此，本研究构建了一个简化理论框架，用于探讨磁场、热辐射及多孔介质对血液基混合纳米流体的综合影响，并通过时间稳定性分析、独立案例验证的ANN预测及多元线性回归（Multiple Linear Regression，MLR）统计工具，弥补上述研究空白。
二、研究内容与结论概述
研究人员建立了MHD非牛顿纳米流体在拉伸片上流动的理想化数学模型。血液作为非牛顿Casson流体，数学建模中同时考虑热辐射、多孔介质、黏性耗散及热生成效应。控制偏微分方程组（PDEs）经相似变换转化为常微分方程组（ODEs），并采用MATLAB bvp4c求解器数值求解。为评估数值解的鲁棒性，研究人员进行了时间稳定性分析。此外，训练ANN模型以高精度预测数值结果，并采用MLR作为补充统计工具，考察选定控制参数与响应量之间的关系。
研究得出以下主要结论：磁场抑制速度场而提升温度场；Darcy阻力相反地降低速度；相较于纯血液、Au/血液及Cu/血液悬浮液，Au–Cu混合悬浮液在壁面传热幅值上达到最大。ANN模型在未见过的磁场参数值上取得R2=0.99987、RMSE=1.7107×10?3及MSE=2.9265×10??，与BVP4C参考解高度一致，验证了ANN作为数值求解替代方案的可行性与计算效率优势。上述发现仍属理论层面，在应用于生物医学场景前需经实验验证。
三、关键技术方法概述
研究人员主要采用以下关键技术方法：其一，利用MATLAB bvp4c求解器对经相似变换得到的常微分方程组进行数值求解，并开展网格敏感性与计算域独立性两项数值实验以评估数值精度；其二，实施时间稳定性分析，通过引入含时间项的相似变量并采用扰动展开方案，求解线性化特征值问题以判定解的物理可实现性；其三，构建前馈人工神经网络（ANN），采用单隐藏层含10个神经元、tansig激活函数、Levenberg–Marquardt训练算法及MSE损失函数，对数值解进行代理建模；其四，采用多元线性回归（MLR）刻画选定参数与响应量之间的统计关系；其五，在ANN评估中采用独立逐案例验证策略，将M=3.1的完整速度剖面完全排除于训练与验证之外，以严格检验模型泛化能力。
四、研究结果
4.1 网格敏感性与计算域独立性验证
研究人员通过网格敏感性和域独立性两项数值实验，验证了bvp4c求解结果的数值精度。网格敏感性测试确认离散化密度对解的影响可忽略，域独立性测试确认远场边界位置的选择不改变数值解，从而保证后续分析所依据的数值解具有充分的数值可靠性。
4.2 时间稳定性分析
研究人员对稳态数值解施加含指数衰减因子e?ατ的扰动函数F(η)和G(η)，将非稳态方程组线性化后得到特征值问题。通过求解最小特征值α?的符号判定解的稳定性：α?>0表明解在时间演化中稳定，α?<0则表明解不稳定。稳定性分析确认了所得数值解中物理可实现且稳定的解分支，为后续ANN训练提供了可靠的数据基础。
4.3 参数影响分析
研究人员系统考察了各无量纲参数对速度场f′(η)与温度场θ(η)的影响。结果表明：磁场参数M的增大使洛伦兹力增强，从而抑制速度边界层厚度并降低流速，同时焦耳热效应使温度分布升高；Casson参数β的增大降低流体屈服应力效应，影响速度与温度分布形态；Darcy阻力参数β?的增大增强多孔介质阻力，进一步降低流速；热辐射参数Rd与热生成参数Q均使温度边界层增厚、温度升高；混合纳米颗粒（Au与Cu）的添加显著提升有效热导率，使壁面传热幅值达到最大。
4.4 ANN预测性能
研究人员训练前馈ANN作为bvp4c数值解的代理模型。在独立案例验证中，以M=3.1的完整速度剖面（1000个空间样本）作为完全未参与模型开发的测试集，ANN预测取得R2=0.99987、RMSE=1.7107×10?3及MSE=2.9265×10??，与BVP4C参考解高度吻合，证实ANN在未见参数值上具备良好泛化能力，同时显著降低计算成本。
4.5 多元线性回归分析
研究人员采用MLR对选定参数与响应量之间的方向及相对影响强度进行统计刻画。受限于内部数据集规模，MLR结果的解释力有限，但为参数–响应关系提供了补充性的定量视角。
五、讨论与结论
讨论部分指出，磁场抑制速度而提升温度、Darcy阻力降低速度、混合纳米颗粒增强壁面传热等结果与既有文献中关于MHD纳米流体输运行为的认识一致。将时间稳定性分析、独立案例验证的ANN预测与MLR统计工具整合于统一框架，是本研究区别于既有研究的重要特色。ANN在未见参数值上取得的高精度表明其可作为传统数值方法的有效替代方案，在保持精度的同时大幅降低计算成本。
研究结论为：本研究分析了Casson血液基Au–Cu混合纳米流体在拉伸片上的MHD流动与传热特性，通过时间稳定性分析确定了物理可实现且稳定的解；开发的ANN模型在未见磁场参数值上展现出高预测精度与低计算成本，验证了其作为数值求解替代方案的可行性；MLR提供了参数–响应关系的补充统计刻画。研究同时明确指出，上述发现仍属理论层面，在应用于生物医学场景前需经实验验证。
