利用李雅普诺夫指数和基于物理信息(Physics-Informed)的PDFP优化器,革新微旋转与蠕动传输中的流体流动控制技术

《Chaos, Solitons & Fractals》:Revolutionizing fluid flow with Lyapunov exponents and PDFP optimizer based Physics Informed Neural Networks for microrotation and peristaltic transport

【字体: 大 中 小 】 时间:2026年05月05日 来源:Chaos, Solitons & Fractals 5.6

编辑推荐:

  穆罕默德·阿萨德|穆罕默德·伊斯拉尔|穆罕默德·阿西夫|哈米登·阿卜杜勒-瓦赫德·哈利法|诺拉·阿尔胡奈希尔|阿萨德·阿尤布 巴基斯坦曼塞赫拉政府研究生学院数学系 **摘要** **重要性:**李亚普诺夫指数用于表征系统稳定性与混沌性。在流体力学中,它有助于量化流体

  穆罕默德·阿萨德|穆罕默德·伊斯拉尔|穆罕默德·阿西夫|哈米登·阿卜杜勒-瓦赫德·哈利法|诺拉·阿尔胡奈希尔|阿萨德·阿尤布
巴基斯坦曼塞赫拉政府研究生学院数学系

**摘要**
**重要性:**李亚普诺夫指数用于表征系统稳定性与混沌性。在流体力学中,它有助于量化流体流动对初始条件的敏感性,这对于优化诸如蠕动传输和微旋转流动等复杂系统至关重要。因此,本研究具有重要意义,因为它利用物理信息神经网络(PINNs)这种计算效率高的工具来求解相关的偏微分方程(PDEs)。

**目的:**本研究旨在探索与具有微旋转和交叉扩散效应的微极性流体的流体动力蠕动传输相关的数学模型的PINNs解决方案。该研究开发了一个具有预测能力和稳定性识别的蠕动流动模型,可用于支持和分析工业及生物医学传输过程。研究目标是量化温度梯度和微观结构旋转如何改变流体行为、热传递以及生理和技术相关环境中的浓度场。

**方法:**采用PINN架构求解控制方程。利用PDFP优化器加速训练过程,以提高耦合状态下的收敛性和稳定性。边界条件和蠕动约束直接嵌入到损失函数中。

**研究结果:**结果表明,交叉扩散加剧了浓度梯度并改变了蠕动波内的捕获现象。微旋转在强对流条件下降低了壁面剪切应力,同时增强了热传递。随着训练的进行,有限时间李亚普诺夫指数趋于零或负值,证实了PINN学习行为的稳定性和有界性。李亚普诺夫谱主要由负模式主导,表明存在强烈的阻尼作用。时空分析和相空间分析显示出一个明确的稳定核心区域,证明了学习到的解决方案对扰动的鲁棒性。

**引言**
微极性纳米流体已成为一类能够描述微观结构旋转效应、纳米粒子间的相互作用以及非经典传输过程的复杂流体。与传统牛顿纳米流体不同,微极性纳米流体包含微旋转、微惯性和耦合应力。多项研究表明,人们越来越倾向于将计算流体力学与机器学习相结合的混合模型系统。Rehman等人[1]基于回归和神经启发式方法研究了三维威廉姆森微极性纳米流体的流动,展示了非线性传输条件下的热传递现象。Kumar和Meher[2]通过研究带有通道壁电阻多孔介质的微极性纳米流体与热辐射的相互作用,表明多孔阻力、辐射热传递和微旋转参数共同控制着热边界层厚度和热传递效率。Bilal等人[3]通过将数值建模与人工神经网络结合实验,验证了微结构流体力学与辐射和多孔传输效应在能源系统建模中的重要性。

**背景**
微极性纳米流体能够描述微观结构的旋转效应、纳米粒子间的相互作用以及非经典传输过程,是一类重要的复杂流体。与传统的牛顿纳米流体相比,它们具备微旋转、微惯性和耦合应力等特性。近年来,研究人员对具有交叉扩散和热流体动力学效应的复杂流体中的蠕动运动表现出浓厚兴趣,因为这两个因素对真实传输系统中的热量和质量传递具有显著影响。交叉扩散效应源于多组分流体中温度和浓度梯度的耦合。由于温度梯度引起的质量扩散被称为索雷特效应(Soret effect)或热扩散效应(thermal diffusion effect);而浓度梯度产生的热流称为扩散-热效应(diffusion-thermo effect或Dufour effect)。在纳米流体、非牛顿流体和微极性流体中,这些效应尤为显著,因为分子与微观结构之间的相互作用会显著影响传输过程。Gnaneswara Reddy等人[6]指出,卡罗-卡森(Carreau-Casson)纳米流体在非规则通道中的流体磁辐射蠕动流动的速度、温度和浓度分布因交叉扩散效应而发生显著变化。他们发现,索雷特效应和杜弗尔效应的加入改善了热传递并改变了捕获行为,从而影响泵送效果。

**蠕动运动的重要性**
蠕动运动是通过柔性通道壁面的波动来推动流体传输的重要机制,无需外部压力梯度。这种机制在许多生理和生物医学过程中至关重要,例如血管中的血液循环、胃肠道中的食物传输、输尿管中的尿液以及胆管中的液体流动。除了生物学应用外,蠕动传输还在工业系统中得到广泛应用,如蠕动泵、化学反应器和微流控装置。近年来,研究人员特别关注具有交叉扩散和热流体动力学效应的复杂流体中的蠕动运动,因为这两个因素对热量和质量传递有着重要影响。

**结论**
本研究采用物理信息神经网络(PINNs)解决了与微极性流体蠕动传输相关的数学模型,为工业和生物医学应用提供了预测性和稳定性分析工具。这些发现有助于量化温度梯度和微观结构旋转如何改变流体行为、热传递及浓度场,为相关领域的研发提供理论支持。这就是为什么在蠕动流模型中考虑交叉扩散和热流体动力学效应应该是确保新生物医学设备、热管理系统以及高效流体传输技术正确预测和有效设计的关键步骤。PINNs(物理信息神经网络)通过将物理原理直接纳入神经网络训练,已成为解决偏微分方程(PDEs)问题的有效智能计算系统 [24]。与纯粹的数据驱动方法相比,PINNs 使用控制方程、边界条件和初始条件作为损失的一部分,因此将学习过程限制在已知的物理范围内,并减少了大型标记数据集的使用。在这种方法下,PINNs 能够解决在流体动力学、传热和固体力学以及多物理场工程问题中常见的高维、耦合和非线性 PDEs。Luo 等人 [25] 的全面概述清楚地表明,PINNs 基于参数化方法,具有足够的灵活性来解决前向、逆向和参数化 PDEs 问题(根据作者的说法,不需要数值离散化)。尽管有这些优势,传统的 PINNs 可能存在训练不稳定、多尺度应用中的刚性以及 PDE 残差和边界条件之间的不平衡。为了解决这个问题,Song 等人 [26] 提出了体积加权 PINN (VW-PINN),该方法使用控制体积度量来加权 PDE 残差,从而显著提高了在整个计算空间中的收敛准确性和残差一致性。这种方法在局部梯度和陡峭边界层问题中特别成功,而传统 PINNs 通常在这些方面表现不佳。Zhang 等人 [27] 对 PINNs 作为一种智能 PDE 解决方法进行了批判性评估,并对其缺点进行了系统研究,如优化复杂性、网络架构敏感性和长时间模拟的可扩展性挑战。他们的研究还描述了未来的发展方向,包括自适应损失加权、域分解方法和结合 PINNs 与其他传统数值解的混合求解器。从应用的角度来看,Guo 等人 [28] 对复杂的 PDEs 的先进 PINN 公式进行了系统回顾,展示了多网络公式、基于残差的自适应细化和物理指导的正则化如何应用于提高工程问题的鲁棒性和预测能力。这些方法的发展使 PINNs 能够应用于现实世界的工业和环境问题。例如,Di Bella 等人 [29] 批判性地讨论了 PINNs 在水和废水系统中的应用,展示了物理信息学习如何有效预测由耦合 PDEs 建模的传输、反应和流动过程,即使在数据稀疏和噪声较大的情况下也是如此。所有这些工作使 PINNs 成为一个强大的 PDE 建模框架,当前的研究旨在通过物理对应的损失公式、智能权重和混合计算方案来提高训练效率、可解释性和泛化能力。随着所有这些方法问题的逐步解决,预计 PINNs 将对下一代科学和数据驱动的工程分析产生革命性影响。

纳米流体由于其增强的热导率和传输特性而成为一类有效的先进传热流体。最近的研究集中在混合和三元纳米流体、电磁效应以及复杂的非牛顿行为上,以提高工程和生物医学应用中的热系统性能。Prasad 等人 [30] 研究了在非平坦表面上的辐射 Riga 板两相纳米流体的熔化流动及其化学反应效应。他们的结果表明,热辐射和化学反应显著增强了传热,而 Riga 板产生的电磁力控制了流体运动。该研究展示了相变和表面驱动流动中的热性能提升。Iranian 等人 [31] 分析了在磁偶极子影响下细长针头上的生物对流 Casson 流体流动。他们报告说,磁偶极子效应显著影响了速度和温度分布,而生物对流增强了纳米粒子的传输。他们的发现强调了在纳米流体系统中耦合生物效应和磁效应的重要性。Ajithkumar 等人 [15] 研究了具有催化效应的多孔柔性微通道中的导电 Casson 流体流动。他们的结果表明,催化反应和多孔介质显著改变了速度和温度场,而电导率增强了流体控制。这项工作对于药物流体处理和微流控设备非常重要。Bhardwaj 等人 [32] 探索了用于热流体应用的基于膜的纳米流体泵送流动。他们的研究表明,膜运动提高了流动传输和传热效率,使其适用于先进的冷却系统。结果强调了泵送机制在纳米流体传输增强中的作用。Tripathi 等人 [33] 对纳米流体和混合纳米流体的最新进展进行了全面回顾,涵盖了建模、仿真和实验研究。他们强调,混合和三元纳米流体比传统纳米流体具有更好的热性能,在能源和工业系统中有重要应用。Jangid 等人 [34] 研究了基于膜的混合纳米流体泵送流动中的传热。他们的发现表明,混合纳米粒子显著增强了热导率,而膜动态改善了对流传热。这项研究对于优化换热器设计非常重要。Bharathi 等人 [35] 研究了在多孔楔形表面上的 EMHD 双曲正切三元混合纳米流体流动中的传热。他们的数值结果表明,电磁力和多孔介质效应显著影响了速度和温度剖面,而三元纳米流体提高了热效率。Vaidya 等人 [36] 研究了通过垂直狭窄动脉的粘塑性混合纳米流体流动。他们的结果表明,非牛顿行为和纳米粒子相互作用显著影响了流动阻力 и 传热,为血液流动建模等生物医学应用提供了见解。Deepalakshmi 等人 [37] 分析了具有热和质量传递的 MHD 蠕动两相 Williamson 流体在输尿管中的流动。他们的发现表明,电磁疗法影响了流动行为并增强了传热,展示了纳米流体在生物医学治疗中的应用。Madhavi 等人 [38] 研究了具有滑移条件的膜驱动 Ree–Eyring 流体上的电磁效应。他们的研究表明,电磁力和滑移效应显著改变了流动特性并提高了微流控系统中的传输效率。Reddy 和 Tripathi [39] 研究了在指数拉伸片上的电磁流体动力学混合纳米流体流动的热分析。他们的结果表明,电磁力和混合纳米粒子显著增强了传热,使这种系统适用于先进的热管理技术。总体而言,文献表明纳米流体传输受到电磁效应、非牛顿流变、多孔介质和纳米粒子相互作用的影响显著。混合和三元纳米流体表现出更好的热性能,其与先进流动机制的结合为能源系统、生物医学工程和工业过程提供了有希望的应用。

本研究引入了一个结合李雅普诺夫指数分析的物理信息神经网络 (PINN) 框架,用于量化微极性纳米流体在非对称通道中的蠕动传输的流动稳定性和过渡行为。这种方法展示了一种经过验证的计算方法,有效将神经网络训练动态与物理参数对流动和热行为的影响联系起来。

1. 有限时间李雅普诺夫指数行为如何指示 PINN 训练的稳定性?
2. 负李雅普诺夫模式的主导性揭示了系统阻尼的哪些信息?
3. 空间-时间和相空间分析如何证明所学解的鲁棒性?
4. PINNs 在保持物理一致性的同时能否有效处理非线性?
5. 交叉扩散和微旋转如何影响蠕动流动中的浓度梯度、壁面剪切应力和热传输?

**问题表述**
在这项研究中,开发了与微极性流体相关的数学公式,用于通过具有非对称几何形状的垂直倾斜锥形管道的热和对流传导。此外,还将热扩散效应纳入了分析中。蠕动壁活动与磁场效应相互作用导致流动不对称,因为它们以不同的速度和相位传播。以下表达式定义了壁面变形 [40],[41],[42]。图 1 是...

**控制方程**
$$
\begin{align*
\partial U \partial X + \partial V \partial Y &= 0 \\
\rho U \frac{\partial^2 U}{\partial X^2} + \partial^2 U \frac{\partial^2 V}{\partial Y^2} + k \frac{\partial W}{\partial Y} - \sigma B_0^2 & (1+m^2(mv - (U+c)) - \mu(U+c)k \\
1 + \rho gBt(T-T_0)\sin\alpha + \rho gB_c(C-C_0)\sin\alpha + \rho g\sin\alpha & \rho U \\
\partial V \partial X + V \frac{\partial^2 V}{\partial X^2} + \partial^2 V \frac{\partial^2 Y}{\partial Y^2} - k \frac{\partial W}{\partial Y} - \sigma B_0^2 & (1+m^2(m(U+c)) + V) - \rho g\cos\alpha \\
\rho j U \frac{\partial W}{\partial X} + V \frac{\partial W}{\partial Y} &= -2kW + \gamma \frac{\partial^2 W}{\partial X^2} + \partial^2 W \frac{\partial^2 Y}{\partial Y^2} + k \frac{\partial V}{\partial X} - \partial U \partial Y} \\
\rho C_p U \frac{\partial T}{\partial X} + V \frac{\partial T}{\partial Y} &= k_2 \frac{\partial^2 T}{\partial X^2} + \partial^2 T \frac{\partial^2 Y}^2 + D_mKTC \\
C_s \frac{\partial^2 C}{\partial X^2} + \partial^2 C \frac{\partial Y}{\partial Y^2} - \partial q \frac{\partial Y}{\partial Y} \\
U \partial C \frac{\partial X}{C} + V \frac{\partial C}{\partial Y} &= D_m \frac{\partial^2 C}{\partial X^2} + \partial^2 C \frac{\partial Y}^2 + D_mKTT \\
m \frac{\partial^2 T}{\partial X^2} + \partial^2 T \frac{\partial Y}^2 &= \end{align*}
$$

**物理信息神经网络方法**
本节概述了用于求解简化控制方程 (16)–(20) 和边界条件 (21)–(22) 的物理信息神经网络框架,其中物理定律直接嵌入到学习过程中以确保解决方案的一致性。

**PINN 框架内的李雅普诺夫指数分析**
本节提出了一种基于有限时间李雅普诺夫指数的方法,用于量化所提出的物理信息神经网络对于耦合场 U、W、θ、? 和 p 的稳定性、鲁棒性和训练可靠性。该分析的目的是评估所学 PINN 解对训练网络参数小扰动的敏感度,并为计算框架提供一个数学上可解释的稳定性度量。

**有效性**
在这项研究中,我们分析了选定物理参数对流体速度分布的影响。表 1 展示了三个关键参数的结果,最后一列显示了本研究中的对应值。这种比较突显了我们的发现与观察到的趋势的一致性,并验证了数值模型的准确性。

**结果和讨论**
本节讨论了具有微旋转和交叉扩散效应的微极性流体的流体动力学蠕动传输的数值结果。目标是量化热梯度和微结构旋转如何在生理和技术上相关的配置中改变流动行为、传热和浓度场。控制方程使用 PINN 架构进行求解。使用 PDFP 优化器加速训练以增强收敛性和稳定性。

**结论**
这项研究具有重要意义,因为它研究了具有微旋转和交叉扩散效应的微极性流体的蠕动传输。本研究开发了一个具有预测性和稳定性意识的蠕动流模型。控制方程使用 PINN 架构进行求解。使用 PDFP 优化器加速训练以增强耦合状态下的收敛性和稳定性。主要结果如下:
- 有限时间李雅普诺夫指数方法得出的值为零或负值。

**作者贡献声明**
Muhammad Asaad:撰写——原稿。Muhammad Israr:软件、方法论。Muhammad Asif:撰写——审阅与编辑、方法论。Hamiden Abd El-Wahed Khalifa:软件、概念化。Norah Alhunayshil:监督、调查、概念化。Assad Ayub:概念化。

**利益冲突声明**
作者声明没有任何财务、学术或个人利益可能影响本文报告的工作。
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