火箭发动机喷管中辐射型ZnO-EG纳米流体流动不可逆性分析:人工神经网络的应用

《Materials Today Communications》:Irreversibility Analysis for Flow of Radiative ZnO ? EG Nanofluid Through Nozzle of a Rocket Engine: Applications of Artificial Neural Networks

【字体: 大 中 小 】 时间:2026年04月08日 来源:Materials Today Communications? 3.7

编辑推荐:

  在火箭发动机再生冷却系统面临极端热环境挑战的背景下,有效热管理与热力学不可逆性最小化仍是亟待解决的关键问题。传统数值方法在重复性或实时分析中往往耗时过长,限制了其在工程中的应用。为此,研究人员针对应用于火箭发动机冷却的ZnO-乙二醇(EG)纳米流体流动,建立了

  
在火箭发动机再生冷却系统面临极端热环境挑战的背景下,有效热管理与热力学不可逆性最小化仍是亟待解决的关键问题。传统数值方法在重复性或实时分析中往往耗时过长,限制了其在工程中的应用。为此,研究人员针对应用于火箭发动机冷却的ZnO-乙二醇(EG)纳米流体流动,建立了一种快速且鲁棒的预测框架,以探究其传热特性、熵产及Bejan数特征。研究采用二维稳态层流平行板间流动模型,引入热辐射与粘性耗散效应以获取基准数值解,并据此训练基于贝叶斯正则化(BRB)的深度神经网络(DNN)。该工作的核心贡献在于将基于熵的热力学分析与BRB-DNN方法相结合,实现了无需重复数值计算的高精度预测。训练后的网络表现出优异的预测性能,均方误差(MSE)介于10-11至10-6之间,最大相对误差低于0.5%,同时相比传统数值求解器减少了超过99%的计算成本——计算时间从约3–5秒(RK-4法)缩短至约0.005秒(ANN法)。参数分析表明,增加纳米颗粒体积分数、辐射参数及埃克特(Ec)数会显著增强总熵产。此外,随着辐射效应的增强,Bejan数上升约12–20%,凸显了传热引起的不可逆性占主导地位。综上所述,所提出的BRB-DNN框架为先进火箭发动机冷却系统中的实时热学与不可逆性评价提供了一种高效且实用的解决方案。
研究背景与意义
现代航空航天工程中,火箭发动机面临着极高温度、燃料效率优化及极端工况下可靠性能保障的巨大挑战。再生冷却系统是应对这些挑战的关键技术,但其效能受限于传统工质的热物理性能及复杂的热管理需求。纳米流体(Nanofluids)因其在基础液中添加纳米颗粒后显著提升的热导率,被视为极具潜力的先进冷却介质。然而,在火箭发动机喷管等极端热环境中,流体流动伴随强烈的非线性效应、热辐射及粘性耗散,导致热力学不可逆性(熵产)急剧增加,严重影响系统能效。传统的数值模拟方法(如有限元法、有限差分法)在处理此类多参数、强非线性的耦合问题时,计算成本高昂,难以满足实时热管理与在线优化的迫切需求。因此,开发一种兼具高精度与极速响应能力的预测工具,对于深入理解纳米流体在火箭冷却中的热动力学机制、优化系统设计至关重要。本研究聚焦于氧化锌-乙二醇(ZnO-EG)这一新型环保、低成本且稳定性优异的纳米流体,旨在通过人工智能技术解决上述瓶颈问题。
研究方法与技术路线
研究人员首先构建了描述平行平板间二维稳态层流ZnO-EG纳米流体流动的守恒方程组,模型充分考虑了热辐射(采用Rosseland近似)与粘性耗散的影响。控制方程经相似变换转化为常微分方程组(ODEs),并采用四阶龙格-库塔(RK-4)搭配射击法进行高精度数值求解,生成涵盖不同纳米颗粒体积分数(?)、辐射参数(Rd)、埃克特数(Ec)及流动参数(R)的基准数据集。基于此数据集,研究人员设计了贝叶斯正则化深度神经网络(BRB-DNN)模型进行训练与测试。网络架构包含四个隐藏层,神经元配置分别为8、9、7、4,激活函数选用双曲正切(tansig)。训练过程采用贝叶斯正则化反向传播算法,通过引入正则化项有效防止过拟合,并以70%数据用于训练、15%验证、15%测试的比例划分数据集,确保模型的泛化能力。该方法的核心优势在于将耗时的迭代求解过程转化为一次性的矩阵运算,从而实现计算速度的飞跃。
研究结果
  • •
    速度剖面(Velocity Profile)分析:误差直方图、回归图与MSE收敛曲线均证实,BRB-DNN模型对速度场的预测误差极低,绝大多数误差集中在零附近,决定系数接近1。这表明模型成功捕捉了流体摩擦与动量传输的复杂非线性关系。
  • •
    温度剖面(Temperature Profile)分析:针对温度场的预测同样表现出色,训练集与测试集的拟合优度高,MSE随训练代数增加而迅速衰减至10-11量级,验证了模型在处理强耦合传热问题上的可靠性。
  • •
    熵产(Entropy Generation)剖面分析:参数化研究显示,纳米颗粒体积分数(?)的增加会同时提升流体的有效粘度与热导率,导致流体摩擦与传热两方面的不可逆性均增强,从而使无量纲总熵产(NG)显著上升。辐射参数(Rd)的增大加剧了热梯度,进一步推高了系统的能量耗散水平。埃克特数(Ec)的增加意味着粘性耗散效应增强,直接导致系统混乱度(熵)的增加。
  • •
    Bejan数(Bejan Number)分析:Bejan数(Be)表征了传热不可逆性在总不可逆性中的占比。研究发现,随着?和Rd的增加,Be数呈现上升趋势(尤其在近壁区,η介于0.6至0.7区间时最为显著),表明此时传热因素主导了熵产。相反,Ec数的增加则导致Be数下降,说明在高粘性耗散工况下,流体摩擦引起的不可逆性逐渐占据主导地位。
讨论与结论
本研究成功地将贝叶斯正则化深度神经网络(BRB-DNN)应用于火箭发动机喷管冷却流道中ZnO-EG纳米流体的热力学行为预测。研究结果表明,该智能框架不仅在速度场与温度场上实现了与高精度数值解几乎一致的预测精度(MSE低至10-11,最大相对误差<0.5%),更在计算效率上实现了数量级的突破,单次预测仅需约0.005秒,较传统RK-4法提速三个数量级,完全满足了实时应用的严苛要求。在热力学层面,研究明确了纳米颗粒浓度、热辐射强度及粘性耗散效应对系统熵产与Bejan数的具体影响规律,揭示了不同物理机制下不可逆性的竞争与主导关系。这项工作由Muhammad Qadeer, Naveed Ahmed, Umar Khan, Zafar Mahmood, Ioan-Lucian Popa, Mushtaq Ahmad Ansari共同完成,发表于《Materials Today Communications》。该研究为航空航天领域复杂热系统的快速评估、在线监控及优化设计提供了一种极具前景的“物理驱动+数据驱动”融合范式,具有重要的工程应用价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号