基于Levenberg–Marquardt优化算法的随机PINN模型,用于研究在同步化学反应流体中具有磁性的运动纳米粒子的辐射传输现象,该模型同时考虑了能量存储应用
《South African Journal of Chemical Engineering》:Levenberg–Marquardt Optimized Stochastic PINNs for Magnetized Radiative Transport of Motile Nanoparticles in Synchronous Chemically Reacting Fluids with Energy Storage Applications
【字体:
大
中
小
】
时间:2026年04月27日
来源:South African Journal of Chemical Engineering CS9.0
编辑推荐:
穆罕默德·瓦贾哈特·安贾姆 | 诺琳·谢尔·阿克巴尔 | 扎伊布·贾汉 | 莱梅萨·阿塞法·埃雷萨 | M. 比拉尔·哈比布 | 莱亚尔·贾拉迪
伊斯兰堡COMSATS大学数学系,阿托克,巴基斯坦
摘要
本文探讨了在磁化、化学反应的上对流麦克斯韦流体(CRUC-MF
穆罕默德·瓦贾哈特·安贾姆 | 诺琳·谢尔·阿克巴尔 | 扎伊布·贾汉 | 莱梅萨·阿塞法·埃雷萨 | M. 比拉尔·哈比布 | 莱亚尔·贾拉迪
伊斯兰堡COMSATS大学数学系,阿托克,巴基斯坦
摘要
本文探讨了在磁化、化学反应的上对流麦克斯韦流体(CRUC-MF)中微小颗粒的热运动特性,采用了结合Levenberg-Marquardt方案的神经网络反向传播技术(NN-BLMS)。由于提高工业流体和材料的热性能对于提升各种设备的效率至关重要,因此非牛顿流体在多种物理条件下的研究十分丰富。本研究特别研究了化学反应、磁化、上对流麦克斯韦流体在停滞点附近的热行为,利用NN-BLMS技术更深入地理解辐射对热交换器、冷却技术和能量传输系统的影响。CRUC-MF的控制方程通过相似变换转化为一组耦合的常微分方程,并使用ND Solve方法高精度数值求解。所得数据集被导入MATLAB中,然后利用Levenberg-Marquardt技术训练神经网络模型。通过均方误差(MSE)、回归分析和误差直方图评估了模型的性能,结果表明NN-BLMS能够有效描述系统动态。研究结果表明,数值解与NN-BLMS解之间具有一致性,均方误差值低至10?11,且回归性能良好(R ≈ 1)。在所有情况下,绝对误差均在10??至10??范围内,证明了该方法的高精度、稳定性和可靠性。这项工作提供了关于磁性和粘弹性因素如何影响流体热特性和流动特性的见解,对提升工业热传输系统具有重要意义。
1. 引言
最常见的工业流体是粘弹性流体,因为它们具有独特的流变特性(Rehage和Hoffmann,1988年;Panda等人,2024年;Barnes,2003年;Sethy等人,2025年)。如果流体的剪切应力与其粘度之间存在非线性关系,则该流体被视为非牛顿流体。玉米淀粉、蜂蜜、油漆和润滑油等都属于非牛顿流体,它们对施加的力具有不可预测的反应和粘度变化。麦克斯韦在1867年提出了一个本构模型,用于解释气体的应力松弛现象(Maxwell,1867年)。如今,包括油漆、液体聚合物、洗发水、纸浆、某些发动机油和面粉在内的多种具有重要工业意义的流体的粘弹性流动特性已广泛采用该模型进行研究。值得注意的是,停滞点周围的流动在船舶、潜艇、火箭、飞机等物体的末端流动中很常见,这些流动也出现在许多其他流体动力学过程中,如核反应堆和电气设备的冷却过程中。然而,科学文献中报告的大多数非牛顿流体模型并未考虑应力松弛效应。应力松弛是指应力随时间逐渐减小而应变保持不变的现象。与许多不考虑这种效应的非牛顿流体不同,麦克斯韦模型包含了这一关键因素,从而提高了其通用性和准确性。O. Koríko等人(Koríko等人,2016年)研究了具有不同热物理参数的上对流麦克斯韦流体的边界层特性。Ramzan等人(Ramzan等人,2022年)研究了热扩散和分布对无约束流动中磁流体传输流体的影响,发现扩散-热效应和内部加热增强了流场和物种传递。Moosavi等人(Moosavi等人,2021年)基于分数微分方法提出了一个麦克斯韦流体模型,用于研究垂直台阶前的流动,结果显示非牛顿流体的边界层厚度明显大于牛顿流体。Fiza等人(Fiza等人,2020年)研究了旋转、孔隙率、布朗运动和热泳效应对多孔介质中平行板间三维旋转粘弹性纳米流体流动剖面的影响。
纳米技术是一个发展迅速的研究领域,其应用基于纳米尺度材料的特殊化学和物理特性。在胶体悬浮液中,这些物质通常是金属、氧化物、碳化物或碳纳米管分布于基础流体中。Choi(Choi和Eastman,1995年)在1995年ASME冬季年会上首次使用了“纳米流体”一词。Khan和Pop(Khan和Pop,2010年)对纳米流体动力学领域做出了重要贡献,他们首次研究了平面拉伸引起的层流流动。Mustafa等人(Mustafa等人,2011年)研究了纳米流体在拉伸板方向上的停滞点流动。科学家们逐渐关注纳米流体的稳定性、热安全性、特殊性质及其广泛应用。Rahman等人(Rahman等人,2019年)研究了非均匀腔体内的MHD对流纳米流体的放热反应,研究发现电磁场改善了纳米粒子的热导率。Ogunseye等人(Ogunseye等人,2021年)研究了在可伸展圆柱体内的化学反应纳米流体耦合非牛顿流体流动中的热交换动态。Ramesh等人(Ramesh和Gireesha,2014年)以及Ibrahim等人(Ibrahim,2016年)研究了热源和热汇对含纳米粒子的麦克斯韦流体在拉伸表面流动的影响。Ramesh(Ramesh,2015年;Sandeep等人,2016年)还数值分析了热源和热汇对纳米流体流动的影响。许多研究探讨了不同热流体参数对纳米液体中反应物种热特性的影响,这凸显了纳米粒子在工业、技术和科学应用中提高质量传递和热传递过程的重要性。Shamshuddin等人(Shamshuddin等人,2025年)使用同伦分析研究了在不同滑移条件下磁化Williamson-微极纳米流体在双向扩展表面上的流动。Mahariq等人(Mahariq等人,2025年)利用人工神经网络方法研究了热辐射对旋转多孔圆盘上带有Dufour和Soret效力的分形MHD流动的热和质量传递的影响。
在工程和技术领域,人工智能(AI)(Mahariq等人,2025年;Sabir等人,2026年;Anjum等人,2026年)技术被广泛用于提高生产力并推动商业和社会的快速发展。利用AI驱动的集成数值计算为解决重要的计算流体力学问题提供了很多机会(Anwar等人,2025年)。专家系统、机器学习、认知计算、计算机视觉、机器人技术、自然语言处理和推荐系统都属于人工智能的范畴。研究人员使用基于注意力机制的神经网络改善了病理语音质量评估系统的性能。AI驱动的系统能够在特定领域复制人类专业知识并提供建议或答案。尽管关于麦克斯韦纳米流体和磁流体动力传输现象的文献丰富,但仍存在一些关键空白。大多数现有文献基于传统的数值或半解析方法,计算成本高且在强非线性耦合系统中的应用泛化能力较差。此外,上对流麦克斯韦流体中磁场、化学反应、热辐射和纳米粒子运动之间的相互作用尚未在连贯的计算模型中进行详细研究。尽管人工智能技术在流体力学中受到重视,但在复杂非牛顿纳米流体系统(尤其是辐射和反应过程)中的应用仍有限。目前基于AI的研究(Mahariq等人,2025年)主要集中在简化模型上,未能全面考虑控制热和质量传递机制的复杂热物理参数的相互作用。因此,本研究通过结合基于神经网络的Levenberg-Marquardt方案(NN-BLMS)和高保真数值解来填补这些空白,以研究磁化、化学反应的麦克斯韦纳米流体流动。这种方法不仅提高了预测能力,还提供了一个适用于更复杂热系统和能源应用的通用框架。
2. 数学建模
本工作的目标是建立一个模型,用于描述微小颗粒在双向、化学反应的上对流麦克斯韦稳态流体流动中的扩散情况。 menggunakan停滞点流动来研究Buongiorno模型中的热运动纳米粒子。板在y=0处,流动是稳定的、双向的,位于y>0区域。由于小雷诺数引起的磁场可以忽略不计,因此电场被视为零。麦克斯韦流体的非牛顿特性是根据柯西应力张量确定的,人们认为化学物种的均匀混合物负责流体微粒与热辐射的连续分散。图1。下载:下载高分辨率图像(540KB)下载:下载全尺寸图像图1. 问题的几何形状。模型的向量形式如下:(1)?·V=0,(2)ρ(V·?V)=Bx+?τx=0,(3)ρCp(V·?T)=k?2T+E+τc(Dt/T∞(?T)2+Db?C?T),(4)(V·?C)=Dt/T∞?2T+Db?2C?。这里,τ表示麦克斯韦柯西应力张量,V表示矢量速度,E表示能量源,Bx表示磁分量,Db表示扩散系数。因此,根据(Obalalu等人,2023年;Kakar等人,2022年)的研究,该模型使用布辛涅斯克近似和上述假设进行开发(Salawu等人,2024年)。(5)?w?x+?u?y=0。(6)w?w?x+u?w?y=wε¨dx+η?2w?y2+t(w2?2w?x2+u2?2w?y2+2wu?2w?x?y)?σBm2ρf(tu?w?y+w?we)。(7)u?T?y+w?T?x=β1/6kBT∞33kck?2T?y2+η?2w?y2?σBm2Cpρf(tu?w?y+w?we)2+τc(Dt/T∞(?T?y)2+Db?T?y?C?y)+β?2T?y2+θ赫(b?u?x(u?u?y)+?T?x(w?w?x+u?w?y)+u2?2w?y2+w2?2w?x2+2wu?2w?x?y)。(8)u?C?y+w?C?x=Dt/T∞?2T?y2+Db?2C?y2。施加的边界约束(Salawu等人,2024年)如下:(9)w=bx,u=0,C=Ck,T=Tk,aty=0,w→W∞=gxC→C∞,T→T∞,asy→∞。这里σ表示电导率,流体粘度由η描述,流体松弛时间由t表示,热流松弛时间由θ赫表示,x轴和y轴方向的组分速度分别由u和w定义。Bm表示磁场,T表示流体温度,Kc表示吸收系数,β表示热扩散系数,kB表示斯特凡-玻尔兹曼参数,k表示热导率。热容量由Cp表示,热泳扩散由Dt表示,浓度由C表示,布朗扩散由Db表示,远距离流动温度由T∞表示,常数由b和g表示。为了证明我们工作的理论适用性,对生成的模型进行了相似性变换。根据(Khashi’ie等人,2020年)的相似性变量如下:(10)w=b×f′(ξ),u=?(bv)0.5f(ξ),ξ=y(by)0.5,θ(ξ)=T?T∞Ts?T∞,?(ξ)=C?C∞Cs?C∞。这里,θ和?分别表示化学物种的无量纲温度和浓度,这对于简化分析和比较所研究的系统至关重要。量T∞和C∞分别表示环境温度和物种浓度,作为变换的参考值。这些变换将量纲变量转换为相应的无量纲形式,使得方程组在数学上和计算上更易于分析。方程(5)至(9)是边界偏微分方程,通过插入这些变换(如方程(10)中所指定的),系统地将其转换为无量纲等效形式。这一过程不仅确保了问题物理解释的一致性,还便于数值模拟和参数研究。因此得到的模型是(11)f″′+δ2+α(2ff′f″′?f2f″′)+(1+αM)f″+δM?Mf′?f′2=0,(12)1/Rθ″(1+4/3R)+EcM(δ+δff″?f′)2?λ(ff′θ′?f2θ″)+Nt(θ′)2+θ′f+Nbθ′?′=0,(13)Nb?″+Ntθ″+NbScf?′=0。修改后的边界条件为(14)f(ξ)=0,f′(ξ)=1,θ(ξ)=1,?(ξ)=1,在ξ=0时。此外,在ξ→∞时,f′→δ,θ(ξ)→0,?→0。表1中列出了一些嵌入的热流参数。表1. 一些嵌入的热流参数。δ=bt,Deboreh数,Pr=Cp/uk,Prandtl数,M=σbρ/Bm2,磁场R=1/4T∞3kBkck,辐射Ec=ws2(Ts?T∞)Cp,Eckert数,Nt=Dtτ(Ts?T∞)T∞η,热泳数λ=bθ赫,热松弛Nb=Dbr(Cs?C∞)η,布朗运动α=ads/r,瞬态数Sc=vDb/schmidt数,Sf=τs1/2ρfws2,Sheffler数Nn=qsxkf(Ts?T∞),努塞尔数Sn=qrxDb(Cs?C∞),舍伍德数。努塞尔数(Nn)、Sheffler数(Sf)和舍伍德数(Sn)对于以可行和精确的方式预测和估算工程操作至关重要。这些数值表示为(15)Sf=τs1/2ρfws2,Sn=qrxDb(Cs?C∞),Nn=qsxkf(Ts?T∞),其中剪切应力τs、热流qs和质量通量qr都是根据已建立的术语独立定义的。因此,这些术语数学上表示为:(16)τs=ρfη?w?y?t(2wu?w?x+u2?w?y),qs=?kf?T?y,qr=?Db?C?y,aty=0。方程(15)和(16)使用方程(10)中提供的相似性变量进行以下不变变换:(17)Rex0.5Sf=f″+α(2ff′2?f2f″),Rex0.5Nn=?θ′(1+4/3R),Rex0.5Sn=??′。3. 方法论通过相似性变换,将麦克斯韦流体模型的控制偏微分方程(PDEs)简化为常微分方程(ODEs)系统。这种方法简化了复杂的PDE系统,使其更适合数值分析和基于机器学习的建模。创建了一个参考数据集来研究四种不同情况下的麦克斯韦流体行为,并使用Adam数值优化算法进行求解,以保证有效收敛和高精度。此外,使用Levenberg-Marquardt方案反向传播的神经网络(NN-BLMS)来建模和预测麦克斯韦流体系统。通过连续反向传播其权重来训练网络,从而提高预测的准确性,而Levenberg-Marquardt算法增强了泛化能力并减少了过拟合,使网络能够适应涉及麦克斯韦流体的各种情况。在MATLAB中使用‘nftool’命令对NN-BLMS进行数学实现,该命令具有用户友好的界面,可用于训练和测试神经网络。图2显示了实现的神经网络架构,该图展示了输入层、隐藏层和输出层之间的相互关系。下载:下载高分辨率图像(97KB)下载:下载全尺寸图像图2. NN-BLMS的神经网络。为了分析重要参数变化对系统行为的影响,本研究在四种情况下选取了三种不同的情况。分析了它们对温度、浓度和浓度率曲线的影响。使用的神经网络模型具有一个隐藏层,其中包含10个隐藏神经元,输入值在0到2之间步长为0.02,隐藏层使用Sigmoid激活函数。数据分为80%用于训练以促进成功学习,10%用于验证以防止过拟合,10%用于评估模型的泛化性能。表2展示了四种情景,每种情景包含三种情况,旨在测试主要物理参数对系统的影响。在情景1中,操纵磁参数(M)而其他参数保持不变,从而可以评估其对流体流动的影响。情景2探讨了热泳数(Nt),它控制着温度梯度中的粒子传输。情景3关注布朗运动参数(Nb),这是其在纳米流体中热和质量传递中的作用的指标。最后,情景4研究了施密特数(Sc),它定义了动量和质量扩散性的重要性。这种有序的方法允许以平均每情景约1秒的低计算时间理解这些参数的个体和集体影响。表2. 涉及的参数值。情景案例MNtNbSc110.12.71.50.720.92.71.50.731.82.71.50.730.181.50.7310.12.70.10.720.141.50.730.181.50.730.12.70.90.7410.12.71.50.120.12.71.51.330.12.71.52.5。4. 结果与讨论本文通过计算模型和基于人工智能(AI)的神经网络(NNs)研究了系统特性。我们使用了人工神经网络(ANN)方法来求解模型,据我们所知,以前尚未有其他人使用这种方法来解决这个问题。在实现中,我们使用了10个隐藏神经元和Sigmoid激活函数。此外,我们考虑了四种情景,并在每种情景中检查了三种情况。研究了各种重要物理参数的变化,如磁参数(M)、热泳数(Nb)、施密特数(Sc)和布朗运动参数(Nb)。为了获得多个解,我们使用了ND-Solve和基于神经网络的Levenberg-Marquardt算法(NNs-LMA)。首先使用 Mathematica中的高级数值工具‘NDsolve’进行计算,以验证结果。表3提供了情景I的NN-BLMS结果,表4提供了情景II的NN-BLMS结果,表5提供了情景III的NN-BLMS结果,表6提供了情景IV的NN-BLMS结果。图3提供了均方误差(MSE)图,用于测量实际值和预测值之间的平均平方误差。较小的MSE意味着模型性能更好。在给定的四种情景中,每个图的顶部都观察到了最佳验证性能,表明训练时的MSE最小。例如,其中一个情景中的最低误差为6033×10^-11,这意味着在808个周期时预测非常精确。最佳周期是模型最佳学习且不过拟合的周期。在所有四个图中,都遵循了相同的趋势,这表明模型在保证良好泛化的同时最小化了误差,确保了模型的可靠性。这些值可以比较,以了解每种情况在各个周期中的最佳验证情况,这表明了所提出方法在解决非线性方程方面的一致性和有效性。表3. 情景I的NN-BLMS结果。情景均值平方误差(MSE)性能梯度μ迭代次数训练验证测试I3.08 E-116.97 E-116.74 E-113.08 E-111.00 E-071.00 E-09585<1秒II4.56 E-107.33 E-109.43 E-104.56 E-109.98 E-081.00 E-08566<1秒III5.43 E-108.22 E-108.11 E-105.43 E-109.95 E-081.00 E-08273<1秒表4. 情景II的NN-BLMS结果。情景均值平方误差(MSE)性能梯度μ迭代次数训练验证测试I3.22 E-114.68 E-113.69 E-113.22 E-119.95 E-081.00 E-10641<1秒II3.02 E-106.42 E-105.41 E-103.02 E-109.97 E-081.00 E-08414<1秒III2.73 E-095.71 E-096.75 E-092.73 E-091.32 E-061.00 E-081000<1秒表5. 情景III的NN-BLMS结果。情景均值平方误差(MSE)性能梯度μ迭代次数训练验证测试I4.56 E-115.47 E-114.66 E-114.56 E-119.89 E-081.00 E-098082秒II5.62 E-108.35 E-106.54 E-105.62 E-109.98 E-081.00 E-088672秒III1.73 E-111.64 E-111.62 E-111.73 E-119.98 E-081.00 E-099872秒表6. 情景IV的NN-BLMS结果。情景均值平方误差(MSE)性能梯度μ迭代次数训练验证测试I3.59 E-103.17 E-104.97 E-103.59 E-109.96 E-081.00 E-086901秒II2.98 E-103.36 E-105.31 E-102.98 E-109.98 E-081.00 E-088472秒下载:下载高分辨率图像(842KB)下载:下载全尺寸图像图3. NN-BLMS的性能图。下图4提供了输出元素的功能拟合分析,它包含两个子图,顶部图显示了训练、验证和测试目标与其对应输出之间的对齐程度,底部图显示了误差水平。在顶部图中,训练、验证和测试数据用不同颜色的符号表示,目标与输出之间有紧密的拟合,拟合曲线为黑色线条。几乎完美的匹配表明模型训练得很好,非常准确。底部子图提供了误差分布的理解,橙色条形显示了目标值和预测输出之间的差异。残差值很小,范围在10^-5之间,这意味着在大部分输入范围内差异可以忽略不计,在极端情况下偏差略有增加。下载:下载高分辨率图像(648KB)下载:下载全尺寸图像图4. NN-BLMS的适应度图。总的来说,模型表现出很好的拟合和较小的误差,证明了其可靠性和估计目标函数的能力。函数拟合与目标非常吻合,表明模型非常准确。误差在整个范围内都很小,但变化很小。这意味着这是一个训练有素的模型,具有较低的误差,因此可以用来进行预测。图5(a-d)显示了所有四种情景的步长(Mu)和梯度的值。梯度分别为[1.00×10^-7、9.95×10^-8、9.89×10^-8和9.96×10^-8],相应的Mu值分别为[10^-9、10^-10、10^-9和10^-8]。这些发现不仅证明了所提出的NN-BLMS方法的收敛性,还证明了在两种情况下的准确性。此外,该算法表现出随机特性,并且在迭代次数变化时始终非常准确。这种变异性是由于Levenberg-Marquardt方法反向传播时使用的随机初始化造成的。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图5. NN-BLMS的训练状态图。为了测量回归性能,使用了相关性分析。图6(a-d)给出了流体流动模型所有四种情景的回归结果。相关系数(R)确定为1,这意味着模型在训练、测试和验证时都有非常准确的结果。这些结果证明NN-BLMS方法是解决四混合流体流动模型的精确和准确解决方案。下载:下载高分辨率图像(745KB)下载:下载全尺寸图像图6. NN-BLMS的回归图。此外,还使用了直方图来分析训练、测试和验证数据集的误差。流体流动模型的结果在图7(a-d)中的直方图输出中显示,代表了所有情景的结果。误差分布在零轴附近,表明在所有情况下,误差都在-2.5×10^-6、2.0×10^-7、-2.6×10^-7和-1.5×10^-7的范围内。这些结果表明NN-BLMS方法在各种情况下始终提供稳定和精确的解决方案。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图7. NN-BLMS的误差直方图。图9中的图(a)展示了不同磁参数M值下的速度剖面f′(ξ)。随着M从0.1增加到1.8,速度剖面减小,表明更强磁场由于洛伦兹力而抑制了误差的范围大约在10^-7到10^-4之间,且当M的值较大时,误差的波动会更大。当M=0.1时,误差相对较低且稳定;而当M=1.8时,误差波动显著。这表明随着磁参数的增加,数值计算的复杂度也随之提高,从而影响了解的质量。
下载:高分辨率图片(1MB)
下载:全尺寸图片
图9. 所涉及参数的结果图表和绝对误差统计
图中(c)展示了不同Nt值(0.1、4和8)对应的φ(ξ)解的分布,数值解用圆形标记表示。虚线、点线和实线分别代表Nt值的变化,并展示了解如何随该参数变化。Nt值越大,φ(xi)的斜率越陡,说明φ(xi)对Nt的依赖性很强。获得的数值结果与理论曲线非常吻合,证明了该方法的有效性。图(d)显示了φ(ξ)的绝对误差与数值解在对数坐标下的关系,误差随Nt的增加而增大,尤其是在较高Nt值时波动更为明显。Nt=0时误差最小;Nt=8时误差最大(实线表示)。这表明在Nt较低时数值方法的精度较高,但在较高Nt值时需要进一步改进以提高准确性。结果强调了在选择Nt参数时需要谨慎。
同样,如图9(e)所示,随着热泳参数Nt的增加,温度场也呈现上升趋势。热泳效应指的是由温度梯度引起的流体颗粒的迁移。因此,较高的Nt值会增强热场中的热量分布,相应的绝对误差范围在图9(f)中显示为10^-8到10^-4。然而,如图9(g)所示,Nb值的增加会放大麦克斯韦纳米流体的浓度分布。图9(h)显示了Nb值为10^-7到10^-4时的绝对误差分布,其中扩散在质量传输过程中起主导作用,从而增强了浓度分布。图9(i)说明了布朗运动参数Nb对温度分布的影响:随着Nb的增加,热边界层变厚。布朗运动是流体颗粒因与其他颗粒碰撞而进行的随机运动,这一过程为系统增加了额外热量,从而增强了温度分布。三种情况下Nb的绝对误差范围在10^-9到10^-4之间(见图9(j))。
图9(k)展示了随着施密特数(Sc)的增加,浓度场φ(ξ)的变化趋势。总体而言,随着Sc的增加,φ(ξ)的分布呈现下降趋势。施密特数是一个无量纲数,表示质量传递过程中动量扩散率与质量扩散率的比值。因此,较高的Sc值意味着动量扩散率大于质量扩散率,导致浓度分布减少。三种不同施密特数(Sc)情况下的绝对误差范围在图9(l)中显示,均在10^-7到10^-4之间。
本研究的结果在先进的热控制和能源系统中有重要应用价值。磁化化学反应辐射纳米流体(尤其是麦克斯韦纳米流体)在热交换器效率提升、冷却和电子热控制方面具有特别意义。基于人工智能的NN-BLMS模型提供了一个快速准确的预测工具,可用于工业过程优化、可再生能源系统及材料工程等领域,以实现更高的热和质量传递效率。
5. 结论
本文研究了在静止点附近,含有纳米颗粒的稳定磁化麦克斯韦流体在移动板上的流动特性,采用了基于Levenberg-Marquardt反向传播算法训练的神经网络进行模拟。该模型基于Buongiorno关于热驱动纳米颗粒的理论框架,综合考虑了热泳、布朗运动、化学反应、辐射传热、粘性耗散和焦耳热等效应。研究发现的主要结论包括:
- 使用Levenberg-Marquardt反向传播算法训练的神经网络模型效果良好,隐藏层包含10个神经元,激活函数为Sigmoid函数,训练/验证/测试比例为80/10/10;
- 随着磁参数M的增加,流体速度分布减小,因为洛伦兹力抑制了流体运动,同时误差波动范围扩大(10^-7到10^-4);
- 增加热泳参数Nt会导致浓度分布φ(ξ)更急剧下降并增强温度场,较小的Nt值时精度更高,较大Nt值时误差波动较大;
- 布朗运动参数Nb会放大浓度分布并增厚热边界层,颗粒碰撞产生了额外热量(绝对误差范围10^-9到10^-4);
- 较高的施密特数Sc会减小浓度分布φ(ξ),因为动量扩散率占主导地位,导致质量传输减弱,相应误差范围仍在10^-7到10^-4之间;
- 为准确评估模型结果的有效性,我们进行了全面评估,包括相关性分析、误差直方图、性能图和训练统计数据图。
所提出的NN-BLMS模型具有较高的预测精度、较低的均方误差以及有效建模非线性耦合系统的能力,适用于复杂的热能应用。然而,其性能高度依赖于训练数据集的质量和范围,网络参数需仔细调整以保证稳定性。此外,训练的随机性可能导致结果略有波动。该模型仅适用于特定流动配置,未考虑非稳态条件,可能限制其在更复杂实际系统中的应用。
数据可用性声明
本研究生成和/或分析的数据集可向作者索取。
临床试验编号:不适用。
发表同意声明:不适用。
伦理与参与同意声明:不适用。
作者贡献声明:
Muhammad Wajahat Anjum:撰写初稿、数据分析、概念构建;
Noreen Sher Akbar:撰写初稿、数据可视化、监督、方法设计;
Zaib Jahan:数据可视化、验证、软件开发、数据分析;
Lemessa Asefa Eressa:修订与编辑、数据分析、概念构建;
M. Bilal Habib:修订与编辑、数据分析、数据可视化;
Layal Jradi:数据分析、验证、数据可视化、修订与编辑。
生物通微信公众号
生物通新浪微博
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