人工智能辅助的血流动力学分析:狭窄动脉中磁流体动力效应下的金-血液纳米流体流动
《Results in Engineering》:AI-Assisted Hemodynamic Analysis of Magnetohydrodynamic Au–Blood Nanofluid Flow in Stenosed Arteries
【字体:
大
中
小
】
时间:2026年05月05日
来源:Results in Engineering 7.9
编辑推荐:
Jithender Reddy Gurejala|Ganesh Kumar Vadla|Pothanna Nalimela|Srinivasa Raju Rallaband|Raju Adigoppula
印度特伦甘纳邦海得拉巴Vallurupalli Nageswara R
Jithender Reddy Gurejala|Ganesh Kumar Vadla|Pothanna Nalimela|Srinivasa Raju Rallaband|Raju Adigoppula
印度特伦甘纳邦海得拉巴Vallurupalli Nageswara Rao Vignana Jyothi工程与技术学院数学系,500118
**摘要**
本研究利用人工智能辅助的磁流体动力学(MHD)分析了Au-血液纳米流体在狭窄动脉中的流动行为。通过模拟动脉几何结构来表示动脉狭窄,并探讨了磁场和粘性耗散对血流发展的影响。构建了数学模型,考虑了磁场和粘性耗散效应,以分析狭窄动脉中血液的速度和温度动态。利用基于配置的边界值问题求解器(bvp5c)在MATLAB中求解了多个非线性方程。研究结果表明,随着普朗特数(Pr)的增加,对流热边界层的厚度减小,而欧卡特数(Ec)的值较高,因此粘性加热对温度场的贡献较大。加入金纳米颗粒可以提高血液的热导率,从而增强狭窄区域的热传递效果。这项研究的核心科学发现是,磁流体动力学与金纳米颗粒的联合作用通过洛伦兹力调节流动和改善热导率来实现可控的热增强;同时,人工神经网络(ANN)模型能有效捕捉控制参数之间的非线性相互作用,提供了一个快速可靠的预测框架。此外,还利用数值数据建立并训练了一个ANN模型(FFNN),该模型在速度上的均方根误差(RMSE)为0.0013,在温度上的RMSE为0.0022,显示出极小的数值偏差。速度的相关系数为1.0000,温度的相关系数为1.9999,证实了其与bvp5c结果的高度一致性。本研究的创新之处在于开发了一种混合数值-ANN模型,用于研究狭窄动脉中MHD Au-血液纳米流体的流动,实现了可控的热增强,并为生物医学热传递和磁疗应用提供了可靠的、计算效率高的预测工具。
**1. 引言**
1.1 **狭窄动脉中的血流**
动脉狭窄会导致血流显著改变,因为动脉斑块的阻塞增加了流动阻力、壁面剪切应力和压力梯度,从而引发不正常的血流动力学行为。数学建模有助于理解这些变化及其对心血管疾病的影响。Young和Tsai[1,2]首次研究了动脉狭窄中稳态和非稳态流动行为,强调狭窄程度对速度分布、压降和流动分离的影响。Caro等人[3]也发展了动脉血流动力学的基本理解,而Liepsch[4]提出了适用于病理动脉流的解析和实验生物流体模型。Berger和Jou[5]对狭窄血管流动进行了更详细的综述,总结了主要的实验和理论进展以及与塑性和非线性流动效应相关的问题。Roy等人[6]构建了一个模型并分析了狭窄动脉中的血流。近年来,许多研究通过计算技术描述了狭窄动脉中的血流行为。Sarwar等人[7]发现纳米流体有助于提高热性能和流动效率,表明含铜纳米颗粒的血液在狭窄动脉中的对流作用显著增强。受这些研究的启发,本研究旨在进一步探讨实际条件下的狭窄动脉血流行为。
1.2 **狭窄动脉中的Au-血液纳米流体流动**
金(Au)纳米颗粒在血流模型中的作用日益受到关注,特别是在药物输送、热疗和心血管系统热控制方面。Ellahi等人[8]首次研究了含金纳米颗粒的血液在多孔壁狭窄动脉中的流动,结果表明Au纳米颗粒对速度和剪切应力分布有显著影响。Sumith和Surender[9]在对称、椭圆形、梯形、三角形、余弦形和钟形狭窄动脉中探讨了血流模式及其热传递情况。后来的研究将血流模型推广到狭窄条件下的热传递和多孔介质效应。Hussain等人[10]建立了狭窄血管中流动的数学模型。最近,Sarwar等人[11]研究了倾斜动脉中的Au-血液流动,Sarwar和Hussain[12]通过计算方法分析了狭窄动脉中的Au-血液流动。Yadav和Singh[13]利用空间中的前向时间中心有限差分技术研究了金纳米颗粒对倾斜动脉狭窄的影响。
1.3 **狭窄动脉中纳米流体的MHD**
狭窄动脉中纳米流体的磁流体动力学(MHD)研究受到重视,因为它在心血管疾病治疗和特定位置药物输送中的应用前景广阔。引入纳米颗粒可以增加热传递并改变血流特性,而磁场为控制和调节动脉受限区域的海流动力学提供了有效手段。Javadzadegan等人[14]研究了MHD对动脉疾病患者血流的影响。Waqas等人[15]探索了狭窄动脉内银和金纳米颗粒的数值计算。Sharma等人[16]研究了混合纳米颗粒与血流在多狭窄动脉中的相互作用及MHD和辐射效应。Shahzad[17]研究了分叉狭窄动脉中血液的生物磁非牛顿行为,Cherkaoui[18]利用格子玻尔兹曼方法分析了冠状动脉中的MHD血流。近年来,Omama[19]和Thirunanasambantham[20]研究了混合纳米流体对狭窄动脉中MHD血流的影响,强调了混合纳米流体在控制热和流动行为方面的优势。Mandal和Pal[21]研究了滑移条件对狭窄动脉中MHD血流熵优化的影响。Akhtar[22]利用Johnson-Segalman模型研究了电渗流和微生物效应下基于混合纳米颗粒的血流热传递。
此外,还有许多研究探讨了磁流体动力学现象和双重扩散对非牛顿纳米流体流动的影响[23],以及受MHD作用的微极流体中的热辐射、欧姆加热和耗散[24,25]。更多现代研究考虑了复杂物理效应,如霍尔效应(Mishra[26])、倾斜动脉(Imoro[27])以及基于分数导数的三元血液纳米流体分析(He[28])。Tyagi和Zainal[29]、Dero[30]的研究探讨了复杂动脉几何结构和混合纳米颗粒悬浮液中的磁纳米流体流动,提出了更好的热控制和血流动力学控制方法。这些研究为狭窄动脉中MHD纳米流体的行为提供了详细见解,可应用于特定的生物医学应用和治疗干预。
1.4 **粘性耗散**
粘性耗散是流体粘性将动能转化为热能的过程,是狭窄动脉血流动力学的重要因素。高剪切水平和流动阻力可能导致狭窄血管内部大量加热,影响血液的速度和温度-速度分布。Okuyede[31]分析了多狭窄血管内的蠕动传输,证明粘性耗散会显著改变压力和热量分布,从而干扰心血管活动和动脉循环中的局部热传递。Gandhi[32]建立了包含粘性耗散效应的Au-Al?O?/血液在钟形阻塞动脉中的流动模型,强调了其在生物医学系统中的药物输送和热调节效果。结果表明,动脉血流模型应考虑粘性耗散的影响,特别是在病理状态(如狭窄)下。
最近的研究扩展了这些内容,纳入了纳米流体血液和复杂的计算方法。Tang[33]指出,在多孔壁狭窄动脉中,粘性耗散和纳米颗粒悬浮液共同增加了局部温度场和热传递率。Khan[34]基于有限元和炎症、粘性耗散进行了模拟,显示其对狭窄动脉的热和速度分布有重要影响。其他研究关注了混合纳米流体和麦克斯韦纳米流体[35, [36], [37],揭示了粘性耗散与MHD效应、化学反应和电渗流力的相互作用对血流动力学和热性质的强大影响。总体而言,这些研究为狭窄动脉中MHD纳米流体的行为提供了详细见解,有助于开发特定的生物医学应用和治疗干预措施。
1.5 **人工神经网络(ANN)**
人工神经网络(ANN)因其快速准确的预测能力成为模拟复杂非线性系统的有效工具[38]。神经网络方法也被成功应用于求解常微分方程,为传统数值方法提供了可靠的替代方案[39]。理论研究表明,多层神经网络能够高精度地表示非线性函数和动态系统[40, [41], [42]。
一些研究探讨了含聚集和非聚集纳米颗粒的纳米流体的热力学特性,以提高热效率[43]。响应面法、ANN和深度学习等方法也被用于预测纳米流体系统内的热性质和熵生成[44, [45], [46]。鉴于此,本研究旨在探讨含Au颗粒的动脉血流特性。
1.6 **研究空白**
大多数文献仅关注狭窄动脉中血流的流体动力学或热分析,未同时考虑金纳米颗粒[7, [8], [9], [10], [11], [12], [13], [14], [15]、磁场[16], [17], [18], [19], [20], [21], [22], [23], [24], [25], [26], [27], [28], [29]和粘性耗散[31], [32], [33], [34], [35]以及ANN和深度学习技术的综合效应[36], [37], [38], [39], [40], [41], [42]。此外,对预测建模方法和数值模拟的关注不足。文献中很少结合普朗特数和埃克特数(Prandtl and Eckert numbers)在MHD Au-血液纳米流体框架中的应用,也未使用数值和FF-ANN技术的组合进行研究。
1.7 **研究目标**
本研究的主要目标如下:
- 建立一个考虑粘性耗散效应的狭窄动脉中Au-血液纳米流体磁流体动力学(MHD)流动模型。
- 分析关键物理变量(特别是磁参数、埃克特数和普朗特数)对速度和温度分布的影响。
- 探索磁场强度和金纳米颗粒掺入对壁面剪切应力和热传递特性的影响。
- 设计并训练基于ANN的预测模型,利用数值数据准确预测流动和热行为。
- 提供与生物医学热传递应用相关的物理见解,如狭窄动脉中的磁药物输送和热疗。
1.8 **创新点**
本研究的新颖之处在于结合了磁流体动力学、粘性耗散以及金纳米颗粒对Au-血液流体在动脉狭窄模型中的影响。此外,提出了一种新的方法,将数值结果与前馈ANN相结合,以有效预测速度和温度分布,为热传递增强提供了新方法。热量传递在纳米流体和动脉壁之间以恒定温度Tw进行。自由流(整体)流体温度为T∞。用?表示纳米颗粒的体积分数。使用标准的Brinkman(粘度)和Maxwell(导热率)模型,纳米流体的性质如表1所示。这里f和s分别指基础流体(血液)和纳米颗粒(Au)。血液和金的性质使用实验值([11]和[13]),这些值显示在表2中。
表1. 纳米流体的热物理性质([11]和[13])
| 性质 | 纳米流体 | 基础流体 |
|-----------------|--------------------|-----------------|
| 密度 | ρnf = ρf(1??) + ?ρs | ρf |
| 粘度 | μnf = μf(1??) | μf |
| 热容量(ρCp) | (1??)(ρCp)f + ?(ρCp)s | (1??)(ρCp)f |
| 电导率 | σnf = σf + 2σf?2?(σf?σs) | σf + 2σf+?(σf?σs) |
| 热导率 | knf = ks + 2kf + 2?(?kf+ks) | ks + 2kf??(?kf+ks) |
表2. 基础流体和纳米颗粒的实验值。
4.1. 在恒定温度Tw下,纳米流体与动脉壁之间发生热量传递。自由流(整体)流体温度为T∞。设?表示纳米颗粒的体积分数。使用标准的Brinkman(粘度)和Maxwell(导热率)模型,纳米流体的性质如表1所示。这里f和s分别指基础流体(血液)和纳米颗粒(Au)。血液和金的性质使用实验值([11]和[13]),这些值显示在表2中。
4.2. 在边界层近似下,包括线性阻力、MHD阻尼和多孔阻力,轴向动量变为:
(3) ?u?x + 1/r ?(rv)?r = 0
(4) u?u?x + v?u?r = 1/r μnfρnf??r(r?u?r)?B0
(5) u?T?x + v?T?r = knf(ρCp)nf1/r??r(r?T?r) + μnf(ρCp)nf(?u?r)
4.3. 定义无量纲轴向坐标x?=x/h0和无量纲半径:
f(x?)=R(x)R0={1?ε2[1+cos?(4πx?)], ?1
4.4. 对于狭窄部分,采用余弦函数:
r(x)={r0?(1+cos(4πxh0))λ2, 其他情况为r0
4.5. 基于基础流体的实验值:
4.6. 在边界层近似和包括线性阻力、mhd阻尼和多孔阻力下,轴向动量变为:
(3) ?u?x + 1/r ?(rv)?r = 0
(4) u?u?x + v?u?r = 1/r μnfρnf??r(r?u?r)?b0
(5) u?t?x + v?t?r = knf(ρcp)nf1/r??r(r?t?r) + μnf(ρcp)nf(?u?r)
4.7. 引入以下相似变换:
u = ax/h0 f′(η), v = ?rraνfh0 f(η), θ(η)=t?t∞
a1[(1+2γη)f″′+2γf″]+a2ff″?a2(f′)2?ma3(1+2γη)f′=0
a4[(1+2γη)θ″+2γθ′]+a5prfθ′?a5prf′θ+a5prec(1+2γη)f″2=0
4.8. 边界限制条件为:
(6) u=ax, v=0, t=tw; atr=r(x); ?u?r=0, ?t?r=0; atr=0
其中qr是辐射热通量
4.9. 设ψ(x,r)为流函数:
(7) u=1/r?ψ?r, v=?1/r?ψ?x
(8) 代入(4)和(5)得到:
(9) (1/r?ψ?r)??x=(1/r?ψ?r)?1/r?ψ?x??r(1/r?ψ?x)=μnfρnf1/r??r[r(?2ψ?r2?1/r?ψ?r)]?(σnfb02ρnf)1/r?ψ?r
(10) (1/r?ψ?r)?t?x?(1/r?ψ?x)?t?r=knf(ρcp)nf1/r??r(r?t?r)+μnf(ρcp)nf(?u?r)
4.10. 非量纲参数:
pr=μfcpf/kf, t=ln number, γ=v/fh0/ar2是流动参数
磁参数 m=σfb0/2r2ρfa, ec=uw2(ρcp)nf(tw?t∞)是eckert数,其中uw=ax
4.11. 尺度化的壁面剪应力和热通量由以下公式给出:
(14) τw=μnf?u?r|r=r(x),qw=?knf?t?r|r=r(x)
4.12. 使用相似变量,这些公式简化为:
(15) rex1/2cf=μnfμff″(0)=f″(0)(1??)2.5
(16) rex?1/2nux=?knfkfθ′(0)
4.13. 解决方法:
4.1. bvp5c:该方法基于bvp5c方法,它将高阶常微分方程转换为可以借助bvp5c求解器求解的一阶方程组。在此过程中,方程(11)和(12)通过引入新依赖变量重新表述为:
d3′=1(1+2γη)[a2a1(d12?d1d3?d12)?2γd3+1a1m(1+2γη)d2]
d4′=1(1+2γη)[pra3(a4d2d4?a4d1d5?ec(1+2γη)d32)?2γd5]
相应的边界限制条件为:
d1(0)=0, d2(0)=1, d4(0)=1; d4(∞)→0
4.14. 5c标准用于验证转换后的公式,以衡量数值正确性和物理一致性。求解得到的结果包括工程感兴趣的的表面量。
4.15. 在本节中,我们概述了使用前馈神经网络求解线性方程组的神经框架。通常使用网络图来说明不同类型的非线性模型,统称为神经网络。它的设计目的是模拟大脑中的生物神经元。每个单元或神经元接收输入并通过加权和偏置进行处理。输出是通过应用激活函数到结果值产生的。神经网络通过修改权重和偏置来获取知识,通常采用反向传播和前向传播等各种训练技术。此过程涉及确定损失函数的梯度并以最小化损失的方式调整参数。建立自定义损失函数来对不符合ode和初始条件的行为进行惩罚。损失或误差函数表现为ode损失和初始条件损失的加权和。
4.16. 下载高分辨率图像(388kb)和完整尺寸图像。
4.17. 下载高分辨率图像(58kb)和完整尺寸图像。
4.18. 下载高分辨率图像(285kb)和完整尺寸图像。
4.19. 下载高分辨率图像(285kb)和完整尺寸图像。
4.20. 下载高分辨率图像(173kb)和完整尺寸图像。
4.21. 下载高分辨率图像(173kb)和完整尺寸图像。
4.22. 下载高分辨率图像(120kb)和完整尺寸图像。
4.23. 下载高分辨率图像(120kb)和完整尺寸图像。
4.24. 下载高分辨率图像(120kb)和完整尺寸图像。
4.25. 下载高分辨率图像(120kb)和完整尺寸图像。
4.26. 下载高分辨率图像(120kb)和完整尺寸图像。
4.27. 下载高分辨率图像(120kb)和完整尺寸图像。
4.28. 下载高分辨率图像(120kb)和完整尺寸图像。
4.29. 下载高分辨率图像(120kb)和完整尺寸图像。
4.30. 下载高分辨率图像(120kb)和完整尺寸图像。
4.31. 下载高分辨率图像(120kb)和完整尺寸图像。
4.32. 下载高分辨率图像(120kb)和完整尺寸图像。
4.33. 下载高分辨率图像(120kb)和完整尺寸图像。
4.34. 下载高分辨率图像(120kb)和完整尺寸图像。
4.35. 对网格独立性的研究进行了分析,结果显示网格密度的增加对速度和温度剖面没有显著影响,从而证明了网格独立性和方法的数值稳定性。此外,人工神经网络的预测与所有考虑的步长下的数值解都非常吻合。
4.36. 本小节验证了当前模型的正确性,将bvp5c的结果与已发表的 findings 进行比较,并通过相应的 bvp5c 结果验证了 ann 的结果。
4.37. mostafa [25] 的动量方程中没有耦合常数参数 g1,eldabe 和 mahmoud [26] 的动量方程中没有材料参数 k,这对应于当前模型中没有纳米颗粒体积分数 φ 和流动参数 γ。mostafa [24] 报告了与分析解相比较的数值结果,而 eldabe 和 mahmoud [25] 使用了 chebyshev 有限差分方法(cfdm)。表 5 展示了当前 bvp5c 方法得到的摩擦系数与 mostafa [24] 和 eldabe 和 mahmoud [25] 的现有结果之间的相似性。
4.38. 本节介绍了所提出的 ann 模型的验证。通过将 ann 的预测结果与使用 bvp5c 求解器在相同边界条件下获得的基准数值解进行比较,评估了 ann 预测的准确性和可靠性。图 3(a) 和图 4(a) 显示了 ann 与 bvp5c 在速度和温度剖面上的比较。ann 输出与 bvp5c 结果之间的密切一致性证实了所提出 ann 模型的可靠性和有效性。图 3(c) 显示了对应于速度剖面的验证性能图。图表显示了 y 轴上的 mse 与 x 方向上的训练轮次数之间的关系。主要特征是最优验证点,用绿色点表示,它标志着验证误差达到最小值的轮次。图 3(b) 的分析表明,训练误差的减少表明模型从准备数据中获取了知识。最小验证误差表示简化的最佳点。最佳验证性能在第 8 轮次实现,速度总结的 mse 为 1.0409e-6,如图 3(c) 所示。同样,如图 4(c) 所示,最佳验证性能在第 7 轮次记录,温度剖面的均方误差(mse)为 1.457e-6。此外,如图 4(b) 所示,测试误差始终接近验证误差,表明模型具有令人满意的泛化能力。图 3(e) 和图 4(e) 中关于零的对称分布表示模型无偏见,窄分布表示高精度,而宽分布表示变异性。图 3(e) 和图 4(e) 中关于零的对称性表示预测的平衡。图 3(f) 和图 4(f) 中接近零的高峰值表明大多数预测相当准确。较小的尾部表示更好的泛化能力,因为这些尾部的错误较少。
4.39. 表 6 展示了 ann 模型在狭窄动脉流系统中对速度和温度场的预测能力。低 rmse 值表示预测值和计算值之间的偏差可以忽略不计,而小的 mse 损失值证实了模型训练的有效性和收敛性。相关系数接近一表明 ann 预测与 bvp5c 数值解之间的匹配非常好。
4.40. 本节讨论了磁流体动力学(mhd)金纳米颗粒-血液在狭窄动脉中的流动,考虑了粘性耗散效应。非线性控制方程通过 matlab 软件中的自适应配置求解器(bvp5c)进行数值求解,数值解用于训练和验证前馈神经网络(ffnn)模型。比较了数值解和基于 ann 的解,ffnn 更准确地预测了速度和温度分布。分析了流行为以及重要物理参数(如磁场强度和粘性加热)的影响。图 5 显示了 au 纳米颗粒的大小及其对狭窄动脉上 au-血液流动速度分布的影响。还可以看到,随着 au 纳米颗粒大小的增加,速度减小。 4; 其他情况为1 4.4. 对于狭窄部分,采用余弦函数: r(x)={R0?(1+cos(4πxh0))λ2, 其他情况为r0 4.5. 基于基础流体的实验值: 4.6. 在边界层近似和包括线性阻力、mhd阻尼和多孔阻力下,轴向动量变为: (3) ?u?x + 1 r ?(rv)?r=0 (4) u?u?x + v?u?r=1/r μnfρnf??r(r?u?r)?b0 (5) u?t?x + v?t?r=knf(ρCp)nf1/r??r(r?T?r) + μnf(ρcp)nf(?u?r) 4.7. 引入以下相似变换: u=ax/h0 f′(η), v=?Rraνfh0 f(η), θ(η)=T?T∞ a1[(1+2γη)f″′+2γf″]+a2ff″?a2(f′)2?ma3(1+2γη)f′=0 a4[(1+2γη)θ″+2γθ′]+a5prfθ′?a5prf′θ+a5prec(1+2γη)f″2=0 4.8. 边界限制条件为: (6) u=ax, v=0, t=Tw; atr=R(x); ?u?r=0, ?t?r=0; atr=0 其中qr是辐射热通量 4.9. 设ψ(x,r)为流函数: (7) u=1/r?ψ?r, v=?1/r?ψ?x (8) 代入(4)和(5)得到: (9) (1 r?ψ?r)??x=(1/r?ψ?r)?1/r?ψ?x??r(1/r?ψ?x)=μnfρnf1/r??r[r(?2ψ?r2?1/r?ψ?r)]?(σnfB02ρnf)1/r?ψ?r (10) (1 r?ψ?r)?t?x?(1 r?ψ?x)?t?r=knf(ρCp)nf1/r??r(r?T?r)+μnf(ρCp)nf(?u?r) 4.10. 非量纲参数: pr=μfCpf/kf, t=ln number, γ=v/fh0/aR2是流动参数 磁参数 m=σfB0/2R2ρfa, ec=Uw2(ρCp)nf(Tw?T∞)是Eckert数,其中Uw=ax 4.11. 尺度化的壁面剪应力和热通量由以下公式给出: (14) τw=μnf?u?r|r=R(x),qw=?knf?T?r|r=R(x) 4.12. 使用相似变量,这些公式简化为: (15) rex1 2cf=μnfμfF″(0)=F″(0)(1??)2.5 (16) rex?1 2nux=?knfkfθ′(0) 4.13. 解决方法: 4.1. bvp5c:该方法基于bvp5c方法,它将高阶常微分方程转换为可以借助bvp5c求解器求解的一阶方程组。在此过程中,方程(11)和(12)通过引入新依赖变量重新表述为: d3′=1(1+2γη)[A2A1(D12?D1D3?D12)?2γD3+1A1M(1+2γη)D2] d4′=1(1+2γη)[PrA3(A4D2D4?A4D1D5?Ec(1+2γη)D32)?2γD5] 相应的边界限制条件为: d1(0)=0, d2(0)=1, d4(0)=1; d4(∞)→0 4.14. 5c标准用于验证转换后的公式,以衡量数值正确性和物理一致性。求解得到的结果包括工程感兴趣的的表面量。 4.15. 在本节中,我们概述了使用前馈神经网络求解线性方程组的神经框架。通常使用网络图来说明不同类型的非线性模型,统称为神经网络。它的设计目的是模拟大脑中的生物神经元。每个单元或神经元接收输入并通过加权和偏置进行处理。输出是通过应用激活函数到结果值产生的。神经网络通过修改权重和偏置来获取知识,通常采用反向传播和前向传播等各种训练技术。此过程涉及确定损失函数的梯度并以最小化损失的方式调整参数。建立自定义损失函数来对不符合ode和初始条件的行为进行惩罚。损失或误差函数表现为ode损失和初始条件损失的加权和。 4.16. 下载高分辨率图像(388kb)和完整尺寸图像。 4.17. 下载高分辨率图像(58kb)和完整尺寸图像。 4.18. 下载高分辨率图像(285kb)和完整尺寸图像。 4.19. 下载高分辨率图像(285kb)和完整尺寸图像。 4.20. 下载高分辨率图像(173kb)和完整尺寸图像。 4.21. 下载高分辨率图像(173kb)和完整尺寸图像。 4.22. 下载高分辨率图像(120kb)和完整尺寸图像。 4.23. 下载高分辨率图像(120kb)和完整尺寸图像。 4.24. 下载高分辨率图像(120kb)和完整尺寸图像。 4.25. 下载高分辨率图像(120kb)和完整尺寸图像。 4.26. 下载高分辨率图像(120kb)和完整尺寸图像。 4.27. 下载高分辨率图像(120kb)和完整尺寸图像。 4.28. 下载高分辨率图像(120kb)和完整尺寸图像。 4.29. 下载高分辨率图像(120kb)和完整尺寸图像。 4.30. 下载高分辨率图像(120kb)和完整尺寸图像。 4.31. 下载高分辨率图像(120kb)和完整尺寸图像。 4.32. 下载高分辨率图像(120kb)和完整尺寸图像。 4.33. 下载高分辨率图像(120kb)和完整尺寸图像。 4.34. 下载高分辨率图像(120kb)和完整尺寸图像。 4.35. 对网格独立性的研究进行了分析,结果显示网格密度的增加对速度和温度剖面没有显著影响,从而证明了网格独立性和方法的数值稳定性。此外,人工神经网络的预测与所有考虑的步长下的数值解都非常吻合。 4.36. 本小节验证了当前模型的正确性,将bvp5c的结果与已发表的 findings 进行比较,并通过相应的 bvp5c 结果验证了 ann 的结果。 4.37. mostafa [25] 的动量方程中没有耦合常数参数 g1,eldabe 和 mahmoud [26] 的动量方程中没有材料参数 k,这对应于当前模型中没有纳米颗粒体积分数 φ 和流动参数 γ。mostafa [24] 报告了与分析解相比较的数值结果,而 eldabe 和 mahmoud [25] 使用了 chebyshev 有限差分方法(cfdm)。表 5 展示了当前 bvp5c 方法得到的摩擦系数与 mostafa [24] 和 eldabe 和 mahmoud [25] 的现有结果之间的相似性。 4.38. 本节介绍了所提出的 ann 模型的验证。通过将 ann 的预测结果与使用 bvp5c 求解器在相同边界条件下获得的基准数值解进行比较,评估了 ann 预测的准确性和可靠性。图 3(a) 和图 4(a) 显示了 ann 与 bvp5c 在速度和温度剖面上的比较。ann 输出与 bvp5c 结果之间的密切一致性证实了所提出 ann 模型的可靠性和有效性。图 3(c) 显示了对应于速度剖面的验证性能图。图表显示了 y 轴上的 mse 与 x 方向上的训练轮次数之间的关系。主要特征是最优验证点,用绿色点表示,它标志着验证误差达到最小值的轮次。图 3(b) 的分析表明,训练误差的减少表明模型从准备数据中获取了知识。最小验证误差表示简化的最佳点。最佳验证性能在第 8 轮次实现,速度总结的 mse 为 1.0409e-6,如图 3(c) 所示。同样,如图 4(c) 所示,最佳验证性能在第 7 轮次记录,温度剖面的均方误差(mse)为 1.457e-6。此外,如图 4(b) 所示,测试误差始终接近验证误差,表明模型具有令人满意的泛化能力。图 3(e) 和图 4(e) 中关于零的对称分布表示模型无偏见,窄分布表示高精度,而宽分布表示变异性。图 3(e) 和图 4(e) 中关于零的对称性表示预测的平衡。图 3(f) 和图 4(f) 中接近零的高峰值表明大多数预测相当准确。较小的尾部表示更好的泛化能力,因为这些尾部的错误较少。 4.39. 表 6 展示了 ann 模型在狭窄动脉流系统中对速度和温度场的预测能力。低 rmse 值表示预测值和计算值之间的偏差可以忽略不计,而小的 mse 损失值证实了模型训练的有效性和收敛性。相关系数接近一表明 ann 预测与 bvp5c 数值解之间的匹配非常好。 4.40. 本节讨论了磁流体动力学(mhd)金纳米颗粒-血液在狭窄动脉中的流动,考虑了粘性耗散效应。非线性控制方程通过 matlab 软件中的自适应配置求解器(bvp5c)进行数值求解,数值解用于训练和验证前馈神经网络(ffnn)模型。比较了数值解和基于 ann 的解,ffnn 更准确地预测了速度和温度分布。分析了流行为以及重要物理参数(如磁场强度和粘性加热)的影响。图 5 显示了 au 纳米颗粒的大小及其对狭窄动脉上 au-血液流动速度分布的影响。还可以看到,随着 au>
4.4. 对于狭窄部分,采用余弦函数:
r(x)={r0?(1+cos(4πxh0))λ2, 其他情况为r0
4.5. 基于基础流体的实验值:
4.6. 在边界层近似和包括线性阻力、mhd阻尼和多孔阻力下,轴向动量变为:
(3) ?u?x + 1/r ?(rv)?r = 0
(4) u?u?x + v?u?r = 1/r μnfρnf??r(r?u?r)?b0
(5) u?t?x + v?t?r = knf(ρcp)nf1/r??r(r?t?r) + μnf(ρcp)nf(?u?r)
4.7. 引入以下相似变换:
u = ax/h0 f′(η), v = ?rraνfh0 f(η), θ(η)=t?t∞
a1[(1+2γη)f″′+2γf″]+a2ff″?a2(f′)2?ma3(1+2γη)f′=0
a4[(1+2γη)θ″+2γθ′]+a5prfθ′?a5prf′θ+a5prec(1+2γη)f″2=0
4.8. 边界限制条件为:
(6) u=ax, v=0, t=tw; atr=r(x); ?u?r=0, ?t?r=0; atr=0
其中qr是辐射热通量
4.9. 设ψ(x,r)为流函数:
(7) u=1/r?ψ?r, v=?1/r?ψ?x
(8) 代入(4)和(5)得到:
(9) (1/r?ψ?r)??x=(1/r?ψ?r)?1/r?ψ?x??r(1/r?ψ?x)=μnfρnf1/r??r[r(?2ψ?r2?1/r?ψ?r)]?(σnfb02ρnf)1/r?ψ?r
(10) (1/r?ψ?r)?t?x?(1/r?ψ?x)?t?r=knf(ρcp)nf1/r??r(r?t?r)+μnf(ρcp)nf(?u?r)
4.10. 非量纲参数:
pr=μfcpf/kf, t=ln number, γ=v/fh0/ar2是流动参数
磁参数 m=σfb0/2r2ρfa, ec=uw2(ρcp)nf(tw?t∞)是eckert数,其中uw=ax
4.11. 尺度化的壁面剪应力和热通量由以下公式给出:
(14) τw=μnf?u?r|r=r(x),qw=?knf?t?r|r=r(x)
4.12. 使用相似变量,这些公式简化为:
(15) rex1/2cf=μnfμff″(0)=f″(0)(1??)2.5
(16) rex?1/2nux=?knfkfθ′(0)
4.13. 解决方法:
4.1. bvp5c:该方法基于bvp5c方法,它将高阶常微分方程转换为可以借助bvp5c求解器求解的一阶方程组。在此过程中,方程(11)和(12)通过引入新依赖变量重新表述为:
d3′=1(1+2γη)[a2a1(d12?d1d3?d12)?2γd3+1a1m(1+2γη)d2]
d4′=1(1+2γη)[pra3(a4d2d4?a4d1d5?ec(1+2γη)d32)?2γd5]
相应的边界限制条件为:
d1(0)=0, d2(0)=1, d4(0)=1; d4(∞)→0
4.14. 5c标准用于验证转换后的公式,以衡量数值正确性和物理一致性。求解得到的结果包括工程感兴趣的的表面量。
4.15. 在本节中,我们概述了使用前馈神经网络求解线性方程组的神经框架。通常使用网络图来说明不同类型的非线性模型,统称为神经网络。它的设计目的是模拟大脑中的生物神经元。每个单元或神经元接收输入并通过加权和偏置进行处理。输出是通过应用激活函数到结果值产生的。神经网络通过修改权重和偏置来获取知识,通常采用反向传播和前向传播等各种训练技术。此过程涉及确定损失函数的梯度并以最小化损失的方式调整参数。建立自定义损失函数来对不符合ode和初始条件的行为进行惩罚。损失或误差函数表现为ode损失和初始条件损失的加权和。
4.16. 下载高分辨率图像(388kb)和完整尺寸图像。
4.17. 下载高分辨率图像(58kb)和完整尺寸图像。
4.18. 下载高分辨率图像(285kb)和完整尺寸图像。
4.19. 下载高分辨率图像(285kb)和完整尺寸图像。
4.20. 下载高分辨率图像(173kb)和完整尺寸图像。
4.21. 下载高分辨率图像(173kb)和完整尺寸图像。
4.22. 下载高分辨率图像(120kb)和完整尺寸图像。
4.23. 下载高分辨率图像(120kb)和完整尺寸图像。
4.24. 下载高分辨率图像(120kb)和完整尺寸图像。
4.25. 下载高分辨率图像(120kb)和完整尺寸图像。
4.26. 下载高分辨率图像(120kb)和完整尺寸图像。
4.27. 下载高分辨率图像(120kb)和完整尺寸图像。
4.28. 下载高分辨率图像(120kb)和完整尺寸图像。
4.29. 下载高分辨率图像(120kb)和完整尺寸图像。
4.30. 下载高分辨率图像(120kb)和完整尺寸图像。
4.31. 下载高分辨率图像(120kb)和完整尺寸图像。
4.32. 下载高分辨率图像(120kb)和完整尺寸图像。
4.33. 下载高分辨率图像(120kb)和完整尺寸图像。
4.34. 下载高分辨率图像(120kb)和完整尺寸图像。
4.35. 对网格独立性的研究进行了分析,结果显示网格密度的增加对速度和温度剖面没有显著影响,从而证明了网格独立性和方法的数值稳定性。此外,人工神经网络的预测与所有考虑的步长下的数值解都非常吻合。
4.36. 本小节验证了当前模型的正确性,将bvp5c的结果与已发表的 findings 进行比较,并通过相应的 bvp5c 结果验证了 ann 的结果。
4.37. mostafa [25] 的动量方程中没有耦合常数参数 g1,eldabe 和 mahmoud [26] 的动量方程中没有材料参数 k,这对应于当前模型中没有纳米颗粒体积分数 φ 和流动参数 γ。mostafa [24] 报告了与分析解相比较的数值结果,而 eldabe 和 mahmoud [25] 使用了 chebyshev 有限差分方法(cfdm)。表 5 展示了当前 bvp5c 方法得到的摩擦系数与 mostafa [24] 和 eldabe 和 mahmoud [25] 的现有结果之间的相似性。
4.38. 本节介绍了所提出的 ann 模型的验证。通过将 ann 的预测结果与使用 bvp5c 求解器在相同边界条件下获得的基准数值解进行比较,评估了 ann 预测的准确性和可靠性。图 3(a) 和图 4(a) 显示了 ann 与 bvp5c 在速度和温度剖面上的比较。ann 输出与 bvp5c 结果之间的密切一致性证实了所提出 ann 模型的可靠性和有效性。图 3(c) 显示了对应于速度剖面的验证性能图。图表显示了 y 轴上的 mse 与 x 方向上的训练轮次数之间的关系。主要特征是最优验证点,用绿色点表示,它标志着验证误差达到最小值的轮次。图 3(b) 的分析表明,训练误差的减少表明模型从准备数据中获取了知识。最小验证误差表示简化的最佳点。最佳验证性能在第 8 轮次实现,速度总结的 mse 为 1.0409e-6,如图 3(c) 所示。同样,如图 4(c) 所示,最佳验证性能在第 7 轮次记录,温度剖面的均方误差(mse)为 1.457e-6。此外,如图 4(b) 所示,测试误差始终接近验证误差,表明模型具有令人满意的泛化能力。图 3(e) 和图 4(e) 中关于零的对称分布表示模型无偏见,窄分布表示高精度,而宽分布表示变异性。图 3(e) 和图 4(e) 中关于零的对称性表示预测的平衡。图 3(f) 和图 4(f) 中接近零的高峰值表明大多数预测相当准确。较小的尾部表示更好的泛化能力,因为这些尾部的错误较少。
4.39. 表 6 展示了 ann 模型在狭窄动脉流系统中对速度和温度场的预测能力。低 rmse 值表示预测值和计算值之间的偏差可以忽略不计,而小的 mse 损失值证实了模型训练的有效性和收敛性。相关系数接近一表明 ann 预测与 bvp5c 数值解之间的匹配非常好。
4.40. 本节讨论了磁流体动力学(mhd)金纳米颗粒-血液在狭窄动脉中的流动,考虑了粘性耗散效应。非线性控制方程通过 matlab 软件中的自适应配置求解器(bvp5c)进行数值求解,数值解用于训练和验证前馈神经网络(ffnn)模型。比较了数值解和基于 ann 的解,ffnn 更准确地预测了速度和温度分布。分析了流行为以及重要物理参数(如磁场强度和粘性加热)的影响。图 5 显示了 au 纳米颗粒的大小及其对狭窄动脉上 au-血液流动速度分布的影响。还可以看到,随着 au 纳米颗粒大小的增加,速度减小。>在物理层面上,较大的纳米粒子增加了纳米流体的有效粘度和惯性,从而增强了内摩擦和流动阻力。因此,动量的扩散速率较低,尤其是在阻力较高的狭窄区域,流速场受到抑制。下载:下载高分辨率图像(168KB)下载:下载全尺寸图像 图5. 速度与?的关系。图6显示了随着Au纳米粒子大小的变化而变化的温度分布。随着粒子大小的增加,Au-血液流动的温度也随之升高。这是因为较大的Au纳米粒子具有更高的热导率,因此可以在流体中吸收和保留更多的热量。此外,随着流动阻力的增加,粘性耗散也会增加,这也导致了温度的升高。下载:下载高分辨率图像(175KB)下载:下载全尺寸图像 图6. 温度与?的关系。图7和图8分别展示了流动参数对流体速度和温度分布的影响。随着流动参数γ的增加,速度和温度都会明显上升。流动参数用于描述作用于流体的驱动力强度。γ值的增加提高了动量传输能力,从而使流体能够抵抗粘性阻力。结果,更多的流体运动增强了对流热传递,动脉流的温度也随之升高。下载:下载高分辨率图像(162KB)下载:下载全尺寸图像 图7. 速度与γ的关系。下载:下载高分辨率图像(175KB)下载:下载全尺寸图像 图8. 温度与γ的关系。图9显示了M对速度分布的影响。随着M的增加,速度会降低。这种效应是由于施加的磁场产生的洛伦兹力与流体运动方向相反所致。这种阻力还可以稳定流体流动并减缓导电Au血液纳米流体的速度。图10显示了在M影响下的温度分布情况。随着磁场的增加,血流温度上升。电阻加热增加了内部能量,导致整个流动区域的温度升高。下载:下载高分辨率图像(180KB)下载:下载全尺寸图像 图9. 速度与M的关系。下载:下载高分辨率图像(184KB)下载:下载全尺寸图像 图10. 温度与M的关系。图11探讨了Pr对温度分布的影响。值得注意的是,当Pr较高时,温度会降低。Pr较高表明热扩散率较低,因为它们是动量和热扩散的比值。这使得热量扩散变慢,从而导致狭窄动脉中的Au-血液流动温度分布变薄。下载:下载高分辨率图像(188KB)下载:下载全尺寸图像 图11. 温度与Pr的关系。图12显示了Ec对温度分布的影响。随着Eckert数的增加,温度上升,这是由于粘性耗散将动能转化为内能的结果。在较大的Ec值下,粘性加热效应更为显著,因此动脉壁周围的流体温度显著升高。下载:下载高分辨率图像(171KB)下载:下载全尺寸图像 图12. 温度与Ec的关系。表7分析了通过狭窄动脉流动的血液中重要热物理参数的交互效应,同时考虑了金纳米粒子和磁场的影响。具体来说,研究了Pr、流动参数、纳米粒子体积分数M和Eckert数对热传递特性及摩擦的影响。表7. 摩擦系数和努塞尔数的变化。φγMPrEcCfNu 0.01 0.1 0.12 0.01 -1.18 69 0.916 0.15 348 120 0.03 -1.36 578 0.15 51.533 599 80.05 -1.538 960 19 1.534 570 81 0.08 -1.79 497 466 71.539 526 70 0.1 -1.18 690 916 0.15 348 120 0.3 -1.27 827 21 0.41 1.60 0518 430.5 -1.36 960 526 81.665 115 340.9 -1.55 009 21 141.79 3678 830 -1.13 433 1762 1.550 933 451 -1.56 3559 057 1.42 1584 102 -1.88 458 762 71.32 866 31 13 -2.15 4387 283 1.25 4625 731 11.00 923 1622 1.5348 120 331.93 887 962 73.09 459 752 0.01 1.5348 120 30.2 1.38 200 50 10.5 1.14 073 90 50.9 0.81 904 623 纳米粒子体积分数和M强度的影响较为显著,因为它们分别增加了有效粘度和洛伦兹力的效应。流动参数的增加导致动脉壁周围的 velocity gradient 减小,从而大幅改变了狭窄区域内的摩擦系数。努塞尔数高度依赖于普朗特数和Eckert数以及热行为。Pr的增加和金纳米粒子的浓度提高了热传递效率,因为它们降低了热扩散率并增加了有效热导率。相比之下,强磁场和Eckert数的效应通过磁阻尼和粘性耗散抑制了对流热传递。这些结果为狭窄动脉中MHD Au和血液纳米流体的血液动力学和热特性提供了新的理解,可能在生物医学热治疗和可控药物输送系统中具有潜在应用价值。8. 结论 本研究探讨了在纳米粒子大小、流动参数、磁场和重要热物理参数的影响下,Au-血液纳米流体在狭窄动脉中的流动速度和温度特性。通过自适应配置求解器(bvp5c)数值求解了控制方程的非线性边界值问题,并通过前馈神经网络(FFNN)方法进一步估计和验证了结果。本研究的主要发现总结如下:•随着Au纳米粒子的增加,Au-血液流动的速度降低,因为有效粘度增加;而温度则由于热导率和粘性耗散的增加而升高。•较高的流动参数γ值表示由于驱动力和热对流的增加,速度和温度显著增加。•由于洛伦兹力的作用,磁参数的增加降低了流速场,但提高了温度。•随着Pr的增加,由于热扩散率降低和热边界层变薄,温度分布减少。•随着Eckert数的增加,由于更强的粘性耗散将动能转化为热能,温度升高。•FFNN方法的结果与bvp5c的结果更为接近,并且计算成本较低,因此在模拟复杂的生物纳米流体系统时非常有效。研究的局限性•当前模型假设了简化的生理条件,包括稳态流动、理想化的狭窄动脉几何形状和恒定的热物理性质,这些可能与实际生物系统有所不同。•数值精度取决于bvp5c方法中的求解器容差和离散化设置,这可能会影响陡峭梯度附近的预测。•FFNN的预测仅在训练参数范围内可靠,对于不同的物理条件或扩展的参数范围可能需要重新训练。未来研究的方向未来工作应包括更真实的生理效应,如脉动流动、粒子聚集以及实验或临床验证,以提高所提模型的生物医学适用性。资金支持未获得。数据Availability文章中描述的研究未使用任何数据。AI使用声明在准备本工作时,作者使用了ChatGPT和Grammarly来提高手稿的语言清晰度、语法和可读性。作者对内容进行了审阅和编辑,并对出版物负全责。CRediT作者贡献声明Jithender Reddy Gurejala:撰写-审阅与编辑、撰写-原始草案、可视化、验证、监督、软件、方法论、调查、形式分析、概念化。Ganesh Kumar Vadla:撰写-审阅与编辑、验证、软件、方法论。Pothanna Nalimela:资源、形式分析、数据管理。Srinivasa Raju Rallaband:撰写-审阅与编辑、项目管理、方法论。Raju Adigoppula:撰写-审阅与编辑、监督、资金获取、形式分析。