关于激活能和生物对流的新概念在太阳能辐射纳米材料流动中用于熵率优化:基于人工智能的分析

《Results in Surfaces and Interfaces》:Novel concepts of activation energy and bio-convection for optimization of entropy rate in solar-radiative nanomaterial flow: AI-driven analysis

【字体: 大 中 小 】 时间:2026年04月28日 来源:Results in Surfaces and Interfaces 4.4

编辑推荐:

  伊姆兰·阿巴希|瓦卡尔·阿齐姆·汗|伊尔霍姆·哈伊达罗夫|伊夫提哈尔·侯赛因|阿卜杜瓦利·索塔罗夫|穆希丁诺夫·扎伊尼丁|梅赫布·阿里 巴基斯坦阿扎德查谟和克什米尔尼里亚恩·谢里夫穆希-乌德-丁伊斯兰大学数学系,邮编12010 摘要 随着科学技术的快速发展,纳米粒子

  伊姆兰·阿巴希|瓦卡尔·阿齐姆·汗|伊尔霍姆·哈伊达罗夫|伊夫提哈尔·侯赛因|阿卜杜瓦利·索塔罗夫|穆希丁诺夫·扎伊尼丁|梅赫布·阿里
巴基斯坦阿扎德查谟和克什米尔尼里亚恩·谢里夫穆希-乌德-丁伊斯兰大学数学系,邮编12010

摘要
随着科学技术的快速发展,纳米粒子在科学技术领域变得至关重要。纳米粒子被广泛应用于制造化妆品、肥皂、汽车发动机冷却剂以及许多其他电子设备中。不可再生能源对生态系统造成严重破坏,因此本研究探讨了太阳能等可再生能源的重要性。上个世纪,研究人员对文献进行了全面研究,以概述可再生能源的重要性。在本研究中,我们利用热力学第二定律分析了熵的产生。本研究的主要目的是探讨分层条件下对具有磁流体动力学(MHD)流动的威廉姆森二维液体的对流边界条件的影响。采用bvp4c数学方法并通过MATLAB软件求解该问题。针对不同参数,绘制了图表以讨论温度、浓度、微生物和熵分布的变化情况。当布朗运动参数和热泳参数的数值增加时,纳米流体的温度梯度呈现上升趋势;而当普朗特数的数值增加时,温度则下降。另一方面,热泳参数和布朗运动参数的变化对浓度分布的影响则相反——布朗运动参数增大时浓度降低,热泳参数增大时浓度升高。此外,还使用了人工智能神经网络(AI神经网络)和独特的BP-LMA方法来解决数值问题。通过均方误差、函数适应度(包括训练状态函数)、回归分析图表和误差直方图等性能指标来评估基于BP-LMA的AI神经网络的性能。同时,也仔细研究了主要因素对微生物和温度浓度分布的影响。随着(磁场参数)的增大,温度分布升高;而随着(普朗特数)的增大,温度分布降低。图形结果显示,随着(布朗运动参数)的增大,流体浓度分布呈下降趋势;当(佩克莱特数)增大时,微生物分布减少。

1. 引言
我们生活在21世纪,由于技术的进步和人们生活水平提高,几乎在各个领域都需要能源,从而导致能源需求显著增加。科学家面临的主要问题是传统能源(大多为不可再生资源)的短缺,这为研究人员寻找更好的替代方案带来了巨大挑战。工业化的快速发展是能源需求增加的主要原因之一,另一个重要因素是人口持续增长。这两个因素不仅导致能源需求增加,还加剧了全球污染和全球变暖。当前研究的目的是推广太阳能作为一种高效能源。太阳是最常见且主要的能源来源,而且它是一种环保的能源,能够缓解全球能源短缺问题。虽然非可再生能源(如潮汐能、水能等)也有重要应用,但研究人员认为太阳能是最合适的能源形式。太阳能相比其他能源具有以下优势:资源丰富、无排放、维护成本低,还能使我们实现能源独立。Choi等人首次研究了纳米管内异常热导率的影响;Kameya和Hanamura分析了纳米粒子悬浮液对太阳辐射的吸收;Ohler和Fetter探讨了可再生能源与GDP增长之间的基本联系;Kannan和Vakeesan研究了太阳能在未来全球范围内的重要性;Sohail等人指出了磁场对热对流流体流动的总体影响;Khan等人研究了伯杰斯流体在熔化过程中的热传输和非线性辐射通量;Jia等人利用太阳能研究了工业领域的能源问题。大量研究集中在纳米流体上。

近年来,工程师和研究界对熵的产生给予了高度关注。在过去二十年里,出现了多种用于分析熵产生的流体模型。陈等人首次提出了在非常低的雷诺数下化学反应不可逆性与熵产生之间的关系;Sumaira等人讨论了具有可伸展区域的旋转圆盘中的熵产生优化和非线性辐射流动问题,并指出热流不可逆性是熵产生的重要来源。Afridi和Qasim研究了带有热泳效应的细针的辐射流动和热传输特性。Lopez等人研究了垂直多孔微通道中辐射流体流动的熵产生和滑移速度;Baag等人研究了Walter斯-布尔格斯流体在多孔区域中的磁流体动力(MHD)流动的非可逆性;Liu等人基于曲线微通道探讨了电磁流体动力流动的熵产生概念,并数值分析了温度和速度分布。Li等人分析了粘性纳米流体在换热器中的熵产生和流动特性。为了解决流动问题,他们使用了有限体积法。Wang等人分析了不同操作因素下的加热过程中的熵产生率。Sonia等人展示了通过自然对流过程不同形状纳米粒子的熵产生情况。Qayyum等人详细解释了威廉姆森流体流动中的熵产生概念。由于熵产生在评估热力学不可逆性方面的重要性,纳米流体的研究受到了广泛关注。

1.1. 研究 gap 和创新性
本研究关注的是纳米流体在拉伸板上的二维流动现象。尽管许多研究人员已经研究了纳米流体的相关信息,但目前这一问题尚未得到充分讨论。通过适当的变换将控制方程从偏微分方程(PDEs)转化为常微分方程(ODEs),以获得无量纲参数。研究中使用了具有层分的边界条件,并通过MATLAB软件应用bvp4c方法获得图形解。针对不同的无量纲参数输入,图形展示了温度梯度、浓度分布、微生物分布及熵产生的变化情况。表中列出了布朗运动参数、普朗特数、热泳参数和热辐射参数对Nusselt数和谢伍德数的影响。本研究的结果与现有文献进行了比较,结果表明取得了较为优越的结果。此外,该研究还将人工智能与BP-LMS(基于神经网络的优化算法)相结合。研究内容涵盖了数据准备、模型评估(包括训练、测试和验证)、性能评估(利用均方误差、函数适应度、回归分析图表等指标)。本研究的独特之处在于它将bvp4c方法与BP-LMS方法相结合。数值和图形结果证明了流体模型的正确性和独特性。

2. 数学建模
当前分析涵盖了MHD威廉姆森纳米流体在拉伸线性表面上的二维流动,以及焦耳加热、粘性耗散和热吸收/产生的影响。生化反应的特殊效应和刺激能量在当前研究中发挥了重要作用。热泳和布朗运动被用于重新计算纳米流体的行为。坐标系的选择考虑了流体流动方向与板面的关系;混合对流边界条件用于考察流动参数。在恒定磁场强度下观察了流体流动情况。流动的控制方程如下:
(1)(2)(3)(4)(5)
问题的边界条件如下:
(6)
通过变换得到:
(7)
由此得到偏微分方程:
(9)(10)(11)(12)
问题的边界条件为:
(13)(14)(15)(16)
通过这些条件得到常微分方程:
(17)(18)(19)(20)
其中:
(21)(22)
熵产生的表达式为:
(23)(24)(25)

2.1. 物理量
具体来说,Nusselt数和谢伍德数的量纲形式为:
(27)(28)
其中:
(29)(30)**AI方法论**

表1中提供的物理量被用于使用Matematica的“ND-Solve”数值求解方法生成数值结果。数值数据集被划分为四个子集:测试集(15/101)、训练集(71/101)和验证集(15/101)。数据集中的输入包括温度、浓度和微生物属性等101个参数。该数据集经常被训练和重新训练,以确定最优和最低的均方误差值,从而确认结果的准确性和精确性。基于BP-LMS的计算机化模型利用复杂的AI神经网络结构来检索重要的数据,并以图形和统计形式展示结果,如图2所示。

**表1. 值表**

| FunSCN.Case | 参数变化 | 温度 | 浓度 | 微生物属性 |
|---------|---------|------|--------|
| 1 | 10.1 | 1.0 | 1.0 |
| 2 | 10.3 | 1.0 | 1.0 |
| 3 | 10.5 | 1.0 | 1.0 |
| 4 | 10.1 | 1.0 | 1.0 |
| 5 | 10.1 | 1.2 | 1.0 |
| 6 | 10.1 | 1.2 | 1.2 |
| 7 | 10.1 | 1.1 | 1.0 |
| 8 | 10.1 | 1.2 | 1.1 |
| 9 | 10.1 | 1.2 | 1.1 |
| 10 | 10.1 | 1.4 | 1.0 |
| 11 | 10.1 | 1.0 | 1.2 |
| 12 | 10.1 | 1.2 | 1.2 |
| 13 | 10.1 | 1.1 | 1.4 |
| 14 | 10.1 | 1.0 | 1.2 |
| 15 | 10.1 | 1.1 | 1.4 |

**图2. 神经网络展示**

**图3. BP-LMS的人工智能设计**

图3展示了BP-LMS单一神经模型的设计。“NFTOO”应用程序描述了作为MATLAB驱动器NNs过程一部分的AI神经网络。BP-LMS可用于训练NN权重。这是对BP-LMS流体模型的提出的数值分析。表1通过分别改变参数来显示每种SCR的每个可能结果,同时固定所有其他参数的值。

**3. 讨论**

通过使用MATLAB求解器和技术bvp4c,已经对流动模型的方程进行了数值求解。研究了无量纲参数对流动的物理效应,并以图形和表格形式进行了分析。图4(a,b)显示了磁场无量纲参数和布朗运动参数对温度的影响。随着磁场无量纲参数和布朗运动参数值的增加,温度分布也随之增加。图5(a,b)表明了热泳参数和普朗特数对温度分布的影响。从上述图表中可以明显看出,随着热泳无量纲参数的增加,温度分布上升;而对于普朗特数的增加,温度分布的表现与热泳参数的情况相反。图6(a,b)显示了布朗运动参数和热泳参数对浓度分布的影响。从图中可以看出,布朗运动参数和热泳参数与浓度分布呈反比关系,即布朗运动参数的增加会导致浓度分布下降,而热泳参数的增加则会导致浓度分布上升。图7(a,b)展示了佩克莱数和生物对流刘易斯数对微生物分布的影响。随着生物对流刘易斯数和佩克莱数的增加,微生物分布下降。

**表2. 数值结果**

**表3. BP-LMA的MS误差**

| 基本参数 | 迭代次数 | 训练 | 验证 | 测试 |
|---------|--------|-------|-------|-------|
| | | 12.978e-11 | 11.405e-11 | 16.726e-11 |
| | | 12.98e-11 | 19.41e-11 | 11.00e-11 |
| | | 157 | <0 | 121.589e-11 |
| | | 157.24e-11 | 12.740e-11 | 11.59e-11 |
| | | <0 | 119.64e-11 | 11.00e-11 |
| | | 133.321e-12 | 126.119e-12 | 128.448e-12 |
| | | 133.32e-12 | 129.66e-12 | 11050 |
| | | 141.624e-11 | 122.07e-11 | 14.560e-11 |
| | | 144.70e-11 | 19936 | <0 |
| | | 102.0817 | 17330 | 0.3807 |
| | | 104.0081 | 1657 | 0.2674 |
| | | 180.5008 | 1447 | 0.1993 |
| | | 102.0817 | 30.3807 | 120.40 |
| | | 104.0081 | 6343 | 1.3359 |
| | | 102.0863 | 0.0403 | 1980.50 |
| | | 102.0407 | 19936 | 0.30.02 |
| | | 104.0478 | 1940.40 | 0.0120 |

**图4. (a,b) 和 (b) 对...的影响**

**图5. (a,b) 和 (b) 对...的影响**

**图6. (a,b) 和 (b) 对...的影响**

**图7. (a,b) 和 (b) 对...的影响**

**图8. (a,b) 热辐射参数和温度比参数对熵分布的影响**

通过提高参数的数值,熵分布也呈增加趋势。

**表3. BP-LMA的MS误差**

| 基本参数 | 迭代次数 | 训练 | 验证 | 测试 |
|---------|--------|-------|-------|-------|
| | | 0.5 | 0.2 | 0.1 |
| | | 0.1 | 0.1 | 0.08 |
| | | 0.6 | 0.7 | 0.6 |
| | | 0.1 | 0.14 | 321 |
| | | -0.1 | -0.135 | 760.7 |
| | | -0.2 | -0.16 | 001 |
| | | 0.3 | 0.08 | 173 |
| | | 0.3 | 0.3807 | 120.4 |
| | | 0.4 | 0.08 | 1657 |
| | | 0.2 | 0.08 | 748 |
| | | 0.5 | 0.08 | 1447 |
| | | 10.2 | 0.08 | 634 |
| | | 1.3 | 0.3 | 597 |
| | | -0.1 | -0.397 | 630.4 |
| | | -0.6 | -0.840 | 770.2 |
| | | 0.04 | 0.0398 |
| | | 0.5 | 0.764 | 0.3 |
| | | 0.2 | 0.478 | 1940.4 |
| | | 0.01 | 120 | 0.471 |

**表3: BP-LMA的结果**

**图9. (a-d) MS误差的性能分析**

图9(a-d)展示了BP-LMA在不同场景下的MS误差性能分析。场景(1)至(4)分别获得了最佳的验证性能,分别为1.405e-11(57个迭代周期)、5.724e-11(105个迭代周期)、6.119e-12(51个迭代周期)和2.207e-11(84个迭代周期)。蓝线、绿线和红线分别代表训练、验证和测试阶段。当这些线条紧密对齐时,可以看出具有最低可能误差范围的最优近似结果。

**图10. (a-d) BP-LMA的函数拟合度**

图10(a-d)展示了BP-LMA在四种SCR情况下的TSF(Training State Function)。对于每种情况,Val Fail的范围分别是0到1、0到1、-1到1和0到1。BP-LMA在提高流体模型精度方面表现出极大的帮助,因为误差范围非常小。

**图11. (a-d) 函数拟合度**

图11(a-d)比较了四种SCR解决方案的FF(Function Fit)结果,误差范围在-4到2、-4到2、-1到2和-2到2之间。通过展示训练、验证和测试数据集的拟合目标值,这些时间序列图表展示了模型的泛化和高效学习能力。

**图12. (a-d) 错误直方图分析**

图12(a-d)中使用20个分区的EH(Error Histogram)和连接误差=目标-输出(Connections Errors=Targets-Outputs)进一步分析了误差。训练误差由每个直方图条的底部蓝色部分表示,验证误差由中间绿色区域表示,测试误差由顶部红色部分表示。零误差线是一条垂直于y轴的直线,它被测试、验证和训练误差所包围,证实了流体模型的有效性和稳定性。

**图13. BP-LMA的输出**

图13至图16展示了四种场景下R=1时的BP-LMA和RA的回归分析图。回归数据通常显示接近1的相关性值。不同的R值展示了参数变化时模型性能的变化。

**图17-18. 参考统计结果和预期BP-LMA的评估**

图17和图18展示了四种SCR的温度分布和微生物分布受不同参数影响的情况。温度分布随着磁场参数(M)的增加而上升,但随着布朗运动参数()的增加而下降。浓度分布随着布朗运动参数()的增加而下降;而微生物分布随着佩克莱数(Peclet number)的增加而表现出下降趋势。

**作者贡献声明**

Iftikhar Hussain:负责资金获取、正式分析、数据整理和概念构思。
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