电热加热下先进纳米材料的人工智能计算

《Discover Nano》：Artificial intelligent computing of advanced nanomaterials under electrothermal heating

　　

混合纳米流体技术（hybrid nanofluid technology）融合多种纳米颗粒，对于增强当代工程系统中的热输运（thermal transport）已变得日益重要。本研究在焦耳热（Joule heating）、磁场效应（magnetic field effect）及热辐射（thermal radiation）存在的情况下，探究了混合纳米流体经由垂直拉伸表面（vertically stretched surface）的输运特性。物理模型被构建以考察与导电纳米流体相关的动量与传热耦合机制，并计及耗散能量效应（dissipative energy effects）。通过采用适当的相似变换（similarity transformations）与热物性关系，控制非线性方程组被转化为无量纲数学系统。计算研究通过人工神经网络（Artificial Neural Network，ANN）框架实施，该框架以高计算精度对输运现象提供了高效预测与分析。分析揭示：表面拉伸（λ=0.1,0.2,0.3,0.4）强化了流体运动，而哈特曼数（Hartman number，M=0.2,0.4,0.6,0.8）则因电磁阻力而阻碍流动并降低速度分布。此外，更强的焦耳热、辐射（Rd=1.0,3.0,5.0,7.0）及埃克特数（Eckert number，Ec=0.1,0.2,0.3,0.4）效应使热分布产生显著增强。浓度φi（i=1,2,3,4,5）在0.1%至0.4%范围内对传热机制被观察到是有益的。这些动量与传热机制连同上述效应，为高温拉伸表面工艺、涂层、材料加工及挤出成型中的热电磁控制改进提供了理论框架。

论文解读：电热加热下五元混合纳米流体垂直拉伸表面输运特性的人工神经网络计算研究

一、研究背景与意义

随着能源高效化与热系统紧凑化需求的持续增长，传统流体热性能的局限性日益凸显，开发新型高效传热工质成为传热学领域的关键课题。混合纳米流体（hybrid nanofluid）通过将两种或多种纳米颗粒同时分散于基液之中，可显著提升基液的有效导热系数、粘度、热容及热膨胀特性，因而被视为极具潜力的先进传热流体。相较于单一纳米颗粒的传统纳米流体，多组分纳米流体因不同纳米颗粒间的协同效应而展现出更优的热物性表现。

然而，现有文献多聚焦于低阶（二元、三元）纳米流体体系，且通常仅在单一物理参数影响下讨论传热行为，缺乏对多物理场耦合作用下五元纳米流体（penta nanofluid）系统性的研究。特别是，在垂直拉伸表面（vertically stretched surface）情境下，综合考虑磁流体动力学（magnetohydrodynamics，MHD）效应、焦耳热（Joule heating）、粘性耗散（viscous dissipation）及热辐射（thermal radiation）等多重物理机制的研究仍属空白。此外，传统数值方法在处理此类强非线性耦合问题时的计算效率与精度亦存在提升空间。

为此，研究人员构建了一个全新的物理模型，采用五元纳米流体（penta nanofluid）体系，在垂直可拉伸表面上系统考察了法向磁场、焦耳热、粘性耗散及热辐射对动量与热量输运的联合调控作用，并创新性地引入人工神经网络（Artificial Neural Network，ANN）框架进行计算求解，从而突破了传统数值方案的局限，为高温拉伸表面工艺、涂层制备、材料加工及挤出成型等工程应用中的热电磁控制提供了理论设计框架。

二、关键技术方法

研究人员首先基于边界层理论（boundary layer theory）建立了五元纳米流体在垂直拉伸表面上的稳态层流控制方程组，涵盖连续性方程、动量方程及能量方程。通过引入合适的相似变换（similarity transformation）与流函数（stream function），将偏微分控制方程组转化为常微分方程组，进而转化为初值问题（initial value problem，IVP）。随后，研究人员采用MATLAB内置的bvp4c求解器对无量纲方程组进行数值求解，生成训练数据集。在此基础上，构建人工神经网络（ANN）模型，对速度场F′(η)与温度场β(η)进行机器学习训练与预测，并通过均方误差（mean squared error，MSE）、回归系数（regression coefficient，R）及误差直方图等指标对模型精度进行系统评估。该混合数值-机器学习方案兼顾了物理模型的准确性与计算的高效性。

三、主要研究结果

（一）速度场特性分析

研究结果表明，表面拉伸参数λ在0.1至0.4范围内增大时，表面切向动量向纳米流体的传递增强，流体速度显著提升，且随η趋于无穷时速度趋近自由流速度。相反，哈特曼数（Hartman number，M）从0.2增至0.8时，由洛伦兹力（Lorentz force）产生的电磁阻力抑制了流体运动，导致速度分布降低，表明磁场可作为纳米流体流动的有效控制机制。此外，五种纳米颗粒的浓度φ_i（i=1,2,3,4,5）在0.1%至0.4%范围内增加时，由于纳米流体密度与粘度的增大，流动阻力增强，速度呈现下降趋势，其中φ₁与φ₂的影响最为显著。

（二）温度场特性分析

埃克特数（Eckert number，Ec）在0.1至0.4范围内增大时，粘性耗散效应增强，更多的机械能转化为热能，导致纳米流体温度显著升高。哈特曼数M的增大亦引起温度的缓慢上升，但其对系统能量平衡的贡献相对较弱。纳米颗粒浓度φ₁与φ₂的增加通过提高纳米流体的有效导热系数而增强温度分布。φ₃、φ₄与φ₅在0.1%至0.4%范围内对温度的提升作用亦十分明显，且其对传热的影响远大于对流体动力学的影响，证实纳米颗粒浓度的核心作用在于强化传热而非改变流动。热辐射参数（Rd）从1.0增至7.0时，辐射能量对导热输运的相对贡献增强，流体快速传热能力提升，温度场显著升高。

（三）机器学习验证结果

研究人员通过训练验证曲线、状态曲线、误差直方图、函数拟合及回归分析等多项指标对ANN模型的预测精度进行了系统验证。所有场景下训练、验证与测试结果均呈现良好一致性，回归系数R达到1.0，误差直方图集中于零附近，表明模型具有极高的预测精度与收敛性。模型的有效性进一步通过极限情形对比验证，在无磁场且浓度φ₂至φ₄趋于极限时，皮肤摩擦系数（skin friction coefficient）的计算结果与此前文献报道数据吻合良好。

四、结论与展望

本研究系统考察了焦耳热、热辐射、粘性耗散及磁场效应对五元纳米流体垂直拉伸表面输运特性的联合影响。主要结论包括：拉伸参数λ强化动量输运；哈特曼数M通过洛伦兹力有效调控流体速度；纳米颗粒浓度在0.1%至0.4%范围内降低速度但显著增强温度分布；埃克特数Ec通过粘性耗散显著改变热场结构；热辐射参数Rd通过Rosseland近似在传热机制中发挥重要作用。这些动量与传热机制为高温拉伸表面工艺、涂层、材料加工及挤出成型中的热电磁控制提供了理论框架。

本研究的局限性在于：仅适用于不可压缩、粘性、层流及稳态边界层流动，未涉及湍流或瞬态情形；忽略了感应磁场效应；热辐射局限于Rosseland近似；采用单相模型而未考虑沉积、热泳及团聚效应。未来研究可拓展至温度依赖物性、变化磁场、对流边界条件及非线性热辐射等情形，并可引入元启发式算法与深度学习方法的融合方案以进一步优化纳米流体传热性能。