《Discover Nano》：Numerical and artificial neural network prediction of double-stratified magnetized nanofluid flow and heat transfer over a stretchable cylinder with Brownian motion and thermal slip
编辑推荐：
本研究旨在研究双分层（double stratification）对存在热辐射（thermal radiation）的磁流体动力学（magnetohydrodynamics, MHD）纳米流体（nanofluid）绕可拉伸圆柱（stretching cylin
本研究旨在研究双分层（double stratification）对存在热辐射（thermal radiation）的磁流体动力学（magnetohydrodynamics, MHD）纳米流体（nanofluid）绕可拉伸圆柱（stretching cylinder）流动的影响。模型纳入Brownian运动（Brownian motion）、热泳（thermophoresis）以及速度、热和浓度滑移条件（velocity, thermal and concentration slip conditions），以更真实地描述传输现象。问题以偏微分方程（PDEs）形式建立，并通过适用相似变量（similarity variables）转化为常微分方程（ODEs）。转化后的系统在MATLAB中采用bvp4c求解器（bvp4c solver）进行数值求解。研究人员开发了基于Levenberg–Marquardt算法（LMA）的人工神经网络（ANN），以验证并提高数值结果的预测能力。ANN利用bvp4c解生成的数值数据集进行训练，数据集按70%训练、15%验证和15%测试划分。所提出的混合数值-ANN框架提供了高效且准确的预测模型，与数值解表现出极好的一致性。ANN模型表现出优异的预测精度和计算效率，与数值结果高度吻合。通过图形分析了各物理参数对温度、速度和浓度分布的影响。结果表明，速度剖面随速度滑移参数增大而减小，而热分层（thermal stratification）降低温度场，热泳增强浓度分布。对摩擦因子（friction factor）、传热率（heat transfer rate）和Sherwood数（Sherwood number）的数值结果进行了计算和详细讨论。与已有文献在极限情形下的结果比较，证实了当前方法的准确性和有效性。研究结果凸显了混合bvp4c–ANN框架在分析工程和工业应用中复杂纳米流体传输问题方面的有效性。
研究背景与问题：工业技术、电子器件和能源系统对高效传热系统的需求显著增长，而水、乙二醇和油等常规流体热导率相对较低，传热能力有限。纳米流体（nanofluid，含小于100 nm纳米颗粒的流体）可提高热导率、传热能力、稳定性和润湿性。热辐射（thermal radiation）在燃烧、燃气轮机、推进、空气动力学和空间应用等高温场景中具有重要意义；双分层（double stratification，即温度与浓度梯度分层）在储层、地下水、海洋、河流、太阳能等环境与工程中重要。已有研究分别考察了纳米流体流动、热辐射、双分层、滑移、Brownian运动（Brownian motion）和热泳（thermophoresis）等效应，但磁场、热辐射、双分层、滑移效应、Brownian运动与热泳的交互作用，并结合ANN预测可拉伸圆柱纳米流体流动的研究尚不充分。因此，研究人员针对上述耦合传输问题开展研究，采用相似变换和数值方法求解非线性边值问题，并利用数值数据建立ANN模型预测速度、温度和浓度剖面，旨在为圆柱纳米流体系统的传热传质提供详细分析和高效替代模型。
研究开展、结论与意义：研究人员考虑电导纳米流体绕可拉伸圆柱的流动，模型包含双分层、热辐射、磁场、速度滑移、热滑移、浓度滑移、Brownian运动和热泳。控制方程为连续性方程、动量方程、能量方程和浓度方程，并给出相应边界条件。通过相似变换将PDEs转化为ODEs，采用MATLAB的bvp4c求解器数值求解，并用基于Levenberg–Marquardt算法（LMA）的ANN进行验证和预测。研究结论表明，混合bvp4c–ANN框架与数值解高度一致，具有优异预测精度和计算效率；速度剖面随速度滑移参数和磁场参数增大而减小，热分层降低温度场，热泳增强浓度分布；壁面摩擦、传热率和Sherwood数随参数变化显著；与已有极限情形结果比较验证了方法准确性。其意义在于为工程和工业应用中复杂纳米流体传输问题提供有效的混合数值-ANN分析框架。
关键技术方法（不超过250字）：研究人员建立连续性、动量、能量和浓度控制方程及边界条件，采用相似变量将PDEs转化为ODEs；在MATLAB中用bvp4c四阶配点求解器在0≤η≤η
∞上求解，相对和绝对容差分别为10
?6和10
?8，并检查网格无关性。由bvp4c解生成500个数值样本作为ANN数据集，来源为数值计算而非实验队列；输入为M、R和Le，输出为f
′(η)、θ(η)和φ(η)；网络为3输入、20隐藏神经元、3输出，隐藏层用tansig，输出层用purelin，训练用trainlm，数据按70%训练、15%验证、15%测试划分，最大150 epochs，性能目标1×10
?6；用MSE、RMSE、MAE、MAPE和R评估。
研究结果：
速度滑移参数（A）对速度剖面f
′(η)：数值结果图表明，随A增大，速度剖面减小，原因是滑移增大降低流动与可拉伸圆柱的相互作用，从而降低速度传递。
曲率参数（γ）对温度θ(η)：数值结果图表明，随γ增大，温度升高，原因是流体颗粒与弯曲壁面接触增加、热扩散增强，热边界层增厚。
Brownian运动参数（Nb）对温度θ(η)与浓度φ(η)：数值结果图表明，Nb增大使温度升高，因颗粒Brownian运动增强传热；Nb增大使浓度降低，因纳米颗粒随机运动促进更均匀分布并降低表面浓度梯度。
热泳参数（Nt）对温度θ(η)与浓度φ(η)：数值结果图表明，Nt增大使温度升高，因纳米颗粒由高温区向低温区扩散；Nt增大使浓度增加，因热泳导致纳米颗粒在特定区域聚集并增厚浓度场。
Lewis数（Le）对浓度φ(η)：数值结果图表明，Le增大使浓度降低，因Le与质量扩散差异相关，较高Le对应较低浓度剖面。
溶质分层参数（P）对浓度φ(η)：数值结果图表明，P增大使浓度剖面降低，因周围介质存在浓度梯度并阻碍传质。
磁场参数（M）对速度f
′(η)：数值结果图表明，M增大显著降低速度分布，因Lorentz力作为阻力 opposing 流体流动，使动量边界层变薄。
热分层参数（S）对温度θ(η)：数值结果图表明，S增大使温度剖面降低，因圆柱表面与周围流体温差减小，表面向流体传递的热能减少，热边界层厚度降低。
热辐射参数（Rd）对温度θ(η)：数值结果图表明，Rd增大使温度场升高，因热辐射贡献增强，流体中辐射传热量增加并增强热能传输与分布。
热滑移参数（Bi）对浓度φ(η)：按原文结果，Bi增大改变整个边界层内浓度分布并使其降低，因壁面-流体界面传递过程降低，纳米颗粒扩散减少。
溶质分层参数（B）对温度θ(η)：按原文结果，B增大使温度剖面降低，因壁面和周围流体浓度梯度减小，耦合传热传质减弱，热边界层厚度降低。
bvp4c与ANN预测对比及ANN训练性能：对比图表明ANN预测与bvp4c解在整个计算域高度重叠；M训练MSE降至1.7364×10
?8，R为1，误差集中于零；R训练最佳验证性能为6.2406×10
?8，R为1；Le训练最佳验证性能为4.0829×10
?8，R为1，表明ANN预测准确、稳定、可靠。
壁面摩擦、传热率与Sherwood数：数值计算表明，摩擦因子、传热率和Sherwood数随物理参数变化；ANN与bvp4c结果接近，MSE约6.33×10
?6、RMSE为2.52×10
?3、MAE为1.99×10
?3、MAPE约0.65%、R≈0.99998；并与Andersson以及Mahmoud and Waheed的已有结果在极限情形下吻合。
讨论部分总结：研究人员将当前结果与Andersson以及Mahmoud and Waheed已发表结果比较，极限情形下吻合良好，验证了数值方法的准确性和一致性；bvp4c与基于Levenberg–Marquardt的ANN结果非常接近，定量指标支持ANN模型的高预测性能。研究结论翻译：1）速度剖面随速度滑移和磁场参数增大而减小，原因是表面-流体相互作用降低和Lorentz力的阻力效应。2）曲率参数增强流体温度分布，且随γ增大远离圆柱处热边界层更明显。3）Brownian运动和热泳显著影响传热传质，二者均提高温度场，但对浓度分布表现出相反作用。4）Lewis数和溶质分层参数通过降低流动域内扩散速率抑制浓度场。5）热辐射对温度剖面有正向贡献，导致热能传输增强。6）壁面摩擦随滑移和磁场参数升高而降低，随曲率参数升高而增加。7）Sherwood数和传热率对Prandtl数、热辐射、Brownian运动和热泳参数变化高度敏感。8）MHD、滑移条件、流体稳定性和纳米颗粒运动的相互影响显著改变纳米流体的流动、传热和传质特性。
