RSM与ANN驱动的Darcy-Forchheimer模型:均相-非均相反应作用下曲面上Casson-Williamson纳米流体流动研究

《Results in Engineering》:RSM and ANN driven Darcy-Forchheimer Model of Casson-Williamson Nanofluid Flow on a Curved Surface with Homogeneous-Heterogeneous reactions

【字体: 大 中 小 】 时间:2026年04月08日 来源:Results in Engineering 7.9

编辑推荐:

  在当前研究中,结构化的问题求解视角具有明显优势,因为它能够同时降低成本与试验时长,而响应面法(Response Surface Methodology, RSM)正是其中一种方法。响应面法是一种稳健的优化范式,其通过多项式系数在数据拟合完成后确定最优解。其核心

  
在当前研究中,结构化的问题求解视角具有明显优势,因为它能够同时降低成本与试验时长,而响应面法(Response Surface Methodology, RSM)正是其中一种方法。响应面法是一种稳健的优化范式,其通过多项式系数在数据拟合完成后确定最优解。其核心目标是提出实现低表面阻力与最大传热速率的最优条件。人工神经网络(Artificial Neural Network, ANN)采用Levenberg-Marquardt算法与前馈反向传播(feedforward backpropagation)技术进行学习,以实现对响应量的预测。

本研究考察Casson-Williamson纳米流体,因为其建模对于工业与医学过程具有重要意义,尤其适用于模拟挤出过程中聚合物薄片对应的拉伸表面。此外,研究还聚焦于曲面上逆Darcy-Forchheimer效应、非定常流动以及热浮力的存在。本文进一步探讨辐射、热源以及均相-非均相化学过程的影响,并同时考虑牛顿加热(Newtonian heating)与Navier滑移边界条件。所采用的数值方法为四至五阶Runge-Kutta-Fehlberg方法。

研究结果表明,对于所考察的因素,表面摩擦系数与Nusselt数的理想值为2。热浮力参数、Hartman数以及逆Darcy参数对表面摩擦呈现负敏感性,且其敏感性幅值随着磁参数由低水平向高水平逐步增强。经训练的神经网络模型能够对表面摩擦系数与Nusselt数给出高精度预测,其最小均方误差分别约为9.96e?20与1.0553e?13,且回归系数近似等于1,表明数据之间具有极强相关性。
该文发表于《Results in Engineering》,围绕Casson-Williamson纳米流体在非线性曲面拉伸表面上的磁流体动力学(MHD)流动、传热与传质问题展开,重点分析逆Darcy-Forchheimer多孔介质效应、热浮力、线性热辐射、指数型热源、均相-非均相化学反应以及Newtonian heating与Navier滑移边界条件的耦合作用。研究背景在于,非牛顿流体和纳米流体在聚合物挤出、生物墨水喷射、组织工程与热管理系统中具有重要应用价值,特别是Casson流体与Williamson流体均表现出剪切变稀特性,适合模拟喷嘴沉积、拉伸薄片与复杂曲面上的加工行为。然而,既有研究多分别讨论曲面流动、辐射、多孔介质、化学反应或机器学习预测,缺乏对Casson-Williamson纳米流体在非线性曲面条件下,同时考虑均相-非均相反应、热浮力、指数热源、逆Darcy-Forchheimer阻力与双边界条件,并结合RSM与ANN进行优化预测的系统研究。正因如此,开展该项研究具有理论与工程双重意义:一方面可深化对复杂非牛顿纳米流体边界层传输机理的认识,另一方面可为低阻力、高传热工况的快速预测与参数优化提供方法支撑。

研究人员首先建立了曲面拉伸表面上的Casson-Williamson纳米流体非定常流动数学模型。在控制方程中纳入磁场作用、热浮力项、逆Darcy-Forchheimer多孔阻力、Brownian运动(布朗运动)与热泳(thermophoresis)效应、线性热辐射以及均相-非均相化学反应机制,并采用相似变换将原始偏微分方程组化为常微分方程组。随后通过四至五阶Runge-Kutta-Fehlberg方法求解,分析无量纲参数对速度、温度和浓度边界层的影响,再以响应面法构建表面摩擦系数与Nusselt数的二次回归模型,并利用方差分析(ANOVA)判别主效应、交互效应与显著性。进一步地,研究人员借助MATLAB中的前馈反向传播ANN模型,以Levenberg-Marquardt训练算法对RSM结果进行拟合和预测,从而评估数据驱动方法在复杂流动传热问题中的有效性。

主要技术方法概括如下:研究以相似变换构建无量纲Casson-Williamson纳米流体边界层模型,采用Rosseland辐射近似处理热辐射项,并在浓度方程中引入均相-非均相反应模型;数值上使用四至五阶Runge-Kutta-Fehlberg方法求解边值问题;统计优化上采用中心复合设计(central composite design, CCD)结合响应面法(RSM)与方差分析(ANOVA)建立并检验表面摩擦系数和Nusselt数回归模型;机器学习方面构建双层前馈人工神经网络(ANN),按70%/15%/15%划分训练、测试与验证集,通过Levenberg-Marquardt算法进行拟合。本文未涉及样本队列来源,所用数据来自数值模拟与设计实验组合。

以下结合原文各部分结果进行归纳。

Problem Modelling
研究人员建立了非线性拉伸曲面上的Casson-Williamson纳米流体流动模型。模型中,流体受到非均匀磁场作用,并考虑逆Darcy-Forchheimer多孔介质效应、热浮力、热辐射、指数型热源/热汇、布朗运动与热泳扩散,以及均相与非均相化学反应。边界条件方面,速度采用Navier滑移条件,热边界采用Newtonian heating条件,质量传递则通过反应速率关系加以闭合。通过相似变量变换,研究人员将控制方程化为无量纲常微分方程,并导出了表面摩擦系数与局部Nusselt数表达式,为后续数值计算与参数分析奠定基础。

Numerical Methodology
研究人员使用四至五阶Runge-Kutta-Fehlberg(RKF)方法求解转化后的常微分方程组。该方法通过四阶与五阶近似值之间的局部误差估计实现步长调节,从而兼顾计算精度与稳定性。文中还将当前结果与已有Bvp4c方法及移位Legendre配置法结果进行比较,发现不同方法所得表面摩擦系数吻合良好,说明本文数值方案具有可靠性。

Parametric Results and Discussion
在参数结果部分,研究人员系统讨论了不同无量纲参数对速度、温度与浓度分布的影响。结果显示,热浮力参数λT增大时,速度分布下降,而温度分布升高,说明热浮力在该模型中对动量边界层具有抑制作用、对热边界层具有增强作用。Forchheimer数Fr增大时,由于惯性阻力增强,流速显著降低,表明非Darcy惯性阻力对流动阻滞作用明显。逆Darcy参数Da升高时,速度同样减小,说明多孔介质阻滞增强。Navier滑移参数Ns增大时,速度响应下降,体现出壁面局部滑移对近壁动量传递的调制作用。

在热传递方面,非定常参数δ*和Biot数Bi升高均会强化温度分布,特别是Biot数增大对应更强的对流加热效应。浓度场方面,Schmidt数Sc增大时,浓度分布升高,这是由于质量扩散能力减弱、反应物分布更易在壁面附近积聚所致。三维响应图进一步表明,在较强多孔效应下,Fr升高会降低表面阻力;同时,Prandtl数Pr增大、热源参数Q较低时,Nusselt数下降,反映热扩散减弱背景下换热能力受限。流线图和等温线图分别展示了Da与辐射参数Rd变化对流场和热场结构的影响。

Optimization Technique: Response Surface Methodology
为获得最优响应,研究人员采用中心复合响应面设计,对表面摩擦系数Cfs和Nusselt数Nus分别建立二次多项式模型。对于Cfs,选取热浮力参数λT、Hartman数M与逆Darcy参数Da为控制因子;对于Nus,则选取指数热源参数Q、热泳参数Nt与布朗运动参数Nb。ANOVA结果表明,两类响应模型均具有极高拟合优度,其中Cfs模型R2达到100%,Nus模型R2为99.99%,说明回归模型对数值数据具有极强解释能力。残差图呈现近似正态分布,进一步支持模型适用性。Pareto图显示,对Cfs影响最大的因子是Hartman数M,其次为λT和Da;对Nus影响最大的因子是热源参数Q,其后依次为Nb和Nt。研究还指出,在临界区域附近,六个参数均表现出不可忽视的重要作用。

Statistical Analysis
基于RSM,研究人员给出了Cfs与Nus的显式二次回归方程。统计分析表明,表面摩擦系数对λT、M和Da的线性作用均呈劣化趋势,即这些参数增大倾向于降低Cfs。对于Nusselt数,Nb的线性效应表现为负向,而Q与Nt可促进换热增强。等高线图与三维曲面图表明,在Hartman数存在时,较大的热浮力参数与Darcy参数对应较小的表面阻力;当热泳参数处于较高水平时,增大热源参数可显著提高热流强度;而在低Nb与高Nt组合下,换热增强最为明显。

Sensitivity Analysis
敏感性分析通过对回归模型求偏导获得。对Cfs而言,λT、M和Da在不同磁参数水平下均表现为负敏感性,即这些因子的增强会削弱表面摩擦响应。并且,随着磁参数水平由低到高,负敏感性的幅值逐渐增大。按照文中描述,Da的敏感性影响最强,其次为λT与M。对Nus而言,Q、Nt和Nb的敏感性符号随参数水平而变化:在较低X水平下,Q与Nt为负敏感,而Nb为正敏感;在较高X水平下三者呈相反趋势;在中间X水平时,Q与Nt的敏感性还会随Y水平改变而转换。这说明换热响应对热源、热泳与布朗运动之间的耦合关系极为敏感,具有明显的非线性特征。

Neural Network Model
在机器学习建模部分,研究人员使用MATLAB的nftool构建双层前馈ANN,并采用Levenberg-Marquardt反向传播算法训练网络。模型以RSM生成的数据为基础,输入层含3个变量,输出层为单响应,数据按70%、15%、15%分配为训练、测试与验证集。不同隐藏层神经元数量的比较结果表明,针对Cfs,10个神经元时可获得非常低的均方误差9.96e?20;针对Nus,16个神经元时可达到1.0553e?13的最小均方误差。回归结果整体接近1,且数值法与ANN输出曲线高度重合,说明ANN能够高精度学习并预测该复杂非线性流动系统的表面阻力和换热响应。

Discussion与Conclusion总结
论文讨论表明,Casson-Williamson流体的剪切变稀特性使其特别适用于注射、挤出、打印及生物墨水传输等场景;因此,在曲面拉伸、多孔介质、辐射与化学反应耦合作用下研究其流动与传热规律,具有明确的工程背景。RSM为多参数优化提供了高效统计框架,ANN则进一步增强了响应预测能力,两者结合构成了从机理建模到数据驱动预测的一体化研究路径。

研究结论可译述如下:随着热浮力参数λT、Navier滑移参数Ns、Darcy数Da及Forchheimer数Fr增大,流速降低;较大的热浮力参数λT与Biot数Bi会提高温度分布,而Schmidt数Sc增大会增强浓度分布;在多孔介质作用增强时,Forchheimer数增大会降低表面阻力,Prandtl数增大会降低Nusselt数;对响应Cfs和Nus而言,参数分析中的临界点为2;λT、M和Da对表面摩擦表现出负敏感性,且其敏感性幅值随磁参数水平升高而增强;Q、Nt和Nb对Nusselt数的敏感性符号会随参数水平改变而交替变化,其中Nb与Q、Nt在不同水平上表现出相反趋势;ANN对表面摩擦与Nusselt数均给出了高精度预测,最小均方误差分别约为9.96e?20和1.0553e?13,回归系数接近1;由于ANN结果与数值结果高度一致,该模型可用于不同情境下表面摩擦与Nusselt数的预测。

总体而言,本文的核心贡献在于:建立了一个涵盖Casson-Williamson流变特性、逆Darcy-Forchheimer阻力、辐射、热源、均相-非均相反应及双边界条件的曲面纳米流体综合模型;验证了RSM在复杂多参数流动换热优化中的有效性;并证明ANN能够以极高精度替代部分数值预测任务。该研究为剪切变稀纳米流体在组织工程、生物墨水挤出、聚合物加工与热管理系统中的应用分析提供了有价值的理论参考。
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