基于AI-RNN方法的含辐射–耗散效应的Eyring-Powell混合与三元纳米流体生物对流流动研究

《Alexandria Engineering Journal》：AI-RNN approach for radiative dissipative bioconvective flow of eyring-powell hybrid and ternary nanofluids

　　

在本研究中，研究人员提出了一种基于人工智能的递归神经网络（AI-RNN，Artificial Intelligence based Recurrent Neural Network）方法，用以研究具辐射–黏性耗散效应下含Eyring-Powell三元纳米流体（EP-TNFM，Eyring-Powell Ternary Nanofluid）的生物对流磁流体动力学（MHD，Magnetohydrodynamic）流动。研究人员以血液为基液，掺入银（Ag）、铜（Cu）和铝（Al）纳米颗粒，对比研究了两种体系：杂交纳米流体（Ag+Cu+blood）与三元杂交纳米流体（Ag+Cu+Al+blood）。研究人员采用相似变换将控制非线性偏微分方程转化为常微分方程组，并用边值问题数值方法求解，将参数扫描获得的收敛数值解数据集用于AI-RNN的训练、验证与测试。该方法表现出快速收敛能力与预测可靠性，训练、验证及测试损失基本一致，回归决定系数R2最低达0.98。梯度幅值与权重分布表明模型稳定。参数分析表明：表面摩擦因数随Lewis数（Le）减小而减小、随Eyring-Powell惯性参数（α）增大而增大；努塞尔数（Nusselt number, Nu）随Le减小而减小、随普朗特数（Pr）增大而增大。速度与热边界层受α、M、λ及Pr显著影响。较高Schmidt数（Sc）与Le抑制质量与微生物输运。对比发现三元纳米流体因更高黏度与密度导致速度及生物对流弱于杂交纳米流体。结果表明AI-RNN可作为传统求解器的新颖可靠替代方案，在生物医学工程、热管理及微流控领域具潜在应用价值。未来工作建议引入MAE与RMSE等其他损失函数、采用LSTM或PINN（Physics-Informed Neural Networks）架构，并拓展至更复杂非牛顿模型与实际生物医血流场。

论文解读：《AI-RNN approach for radiative dissipative bioconvective flow of eyring-powell hybrid and ternary nanofluids》（发表于Alexandria Engineering Journal）

一、研究背景与意义

非牛顿流体特别是Eyring-Powell（EP）流体模型因可合理描述剪切变稀/增稠行为而在生物医学与工程传热中被广泛研究。近年三元纳米流体（ternary nanofluid，三种纳米颗粒分散于基液）因强化换热性能受到关注，而以血液为基液掺入金属纳米颗粒（Ag、Cu、Al）的杂交（hybrid）与三元杂交纳米流体在靶向给药、肿瘤热疗及微血管冷却等方面具应用潜力。已有研究多借助有限差分、有限元或打靶法等传统数值方法求解耦合非线性偏微分方程（PDE），对强非线性多场耦合问题计算成本高且易遇收敛困难。虽有人尝试多层感知机（MLP-ANN）处理简化纳米流体问题，但少见将监督递归神经网络（Supervised RNN/SRNN）用于含辐射（thermal radiation）、黏性耗散（viscous dissipation）、多孔介质阻力、趋氧微生物（oxytactic microorganisms）生物对流及磁场（MHD）效应的血液基Eyring-Powell三元纳米流体边值问题。因此Cyrus Raza Mirza、Zahoor Shah、Hamza Iqbal、Maryam Jawaid、Bouthaina Dammak、Yamen El Touati与Nidhal Ben Khedher开展本研究，以数值生成数据集驱动RNN学习相似变换后的边界层剖面，验证AI-RNN替代传统求解器的可行性，并对比杂交与三元纳米流体的输运差异。

二、主要关键技术方法

研究人员假设稳态、不可压缩、二维边界层流动，拉伸平板速度u_w(x)=cx，基液为血液，纳米颗粒为Ag、Cu（杂交）及Ag、Cu、Al（三元），引入热辐射（Rosseland扩散近似）、垂直磁场B₀（MHD Lorentz力）、Darcy多孔介质阻力(K)、黏性耗散(Ec)、Soret效应(Sr)、化学反应(Kr)、趋氧微生物生物对流(Pe, Le)及Eyring-Powell剪应力本构(含参数α, β?C, δ)。通过相似变量η=y√(c/ν_f)将连续性、动量、能量、浓度及微生物输运PDE化为无量纲ODEs系统（式8–11），A₁–A₅为纳米流体与基液黏度μ、密度ρ、(ρC_p)、导热k、电导率σ之比。边值问题用SciPy solve_bvp求解，参数范围α=1.0–3.0，M=0.1–1.5，λ=0.1–1.0，Pr=17–25，Sc=0.5–1.5，Ec=0.1–1.0，Le=0.5–2.1，Pe=0.1–0.9，收敛解存为数据集（输入η与参数组合，输出f'(η), θ(η), ?(η), χ(η)剖面）。数据集按6:2:2划分为训练/验证/测试集。RNN建置PyTorch：输入为η序列，两层隐含循环层各32单元，全连接输出层预测四场剖面；优化器Adam(lr=0.001)，损失函数为均方误差(MSE)，训练1000 epoch，监控loss曲线、R2、梯度幅值与权重分布评估性能。皮肤摩擦系数Re^1/2C_f与局部努塞尔数Nu/Re^1/2由壁面梯度计算（式14–15）。

三、研究结果

1. 2.
   Problem formulation（问题建模）
   研究人员导出Eyring-Powell流体剪应力表达式，写出含MHD、多孔介质Darcy阻力、辐射与耗散的二维边界层控制方程，经相似变换得无量纲ODE系统及变换边界条件，定义无量纲相似函数f(η)（流函数）、θ(η)（无量纲温度）、?(η)（无量纲浓度）、χ(η)（无量纲微生物密度），给出纳米流体物性比A₁–A₅及Re^1/2C_f、Nu/Re^1/2表达式。
2. 3.
   Methodology（方法学）
   3.1 Problem：明确研究对比杂交纳米流体(Ag-Cu-blood)与三元杂交纳米流体(Ag-Cu-Al-blood)在辐射、耗散、MHD、生物对流下的行为。
   3.2 Data generation：用solve_bvp在参数空间采样，保留收敛解构建数据集，插值至均匀网格η∈[0,5]或[0,3]，结果见表1参数范围及表2八种情景(S1–S8)性能指标（训练/验证/测试损失×10^-3，R2≥0.9736–0.9963，平均训练时约118.84 s），表3验证Nu与文献及数值解误差<1%。
   3.3 Model architecture：两层RNN(32 hidden units)×全连接层，选用RNN而非LSTM或PINN系因边界层剖面为空间序列数据且RNN参量少、计算经济。
   3.4 Training and validation monitoring：60/20/20划分，1000 epoch，监测loss防过拟合。
   3.5 Performance evaluation：MSE、R2回归图、梯度幅值、权重分布评估。
   3.6 Computational setup：Python(SciPy/NumPy/PyTorch/Matplotlib/Seaborn)实现，强调训练后推理无需再解BVP，大幅节省参数扫描耗时；指出依赖数据质量及需调参避免过拟合。
3. 4.
   Results and discussion（结果与讨论）
   研究人员展示八情景Loss vs Epoch曲线迅速降至10^-4–10^-6且验证/测试loss贴近训练loss，无过拟合；三元纳米流体因强非线性收敛略慢于杂交纳米流体。回归散点紧贴45°线，S2、S3之R2>0.996，其余≥0.98，证实预测一致性。AI-RNN预测剖面显示：Eyring-Powell惯性参数α增大→近壁动量增加、速度边界层增厚；多孔介质参数λ增大→流体阻力增强、速度降低边界层压缩；磁参数M增大→Lorentz力抑制流动、速度及边界层厚度减小；Pr增大→热扩散率降低、热边界层变薄；Sc增大→质量扩散受抑、浓度边界层变薄；Peclet数Pe增大→微生物平流输运增强生物对流范围扩大；Le增大→热扩散占优抑制微生物输运；三元纳米流体相较杂交纳米流体因有效黏度与密度升高致速度与生物对流均减弱。梯度幅值分析显示循环层梯度微小、全连接层梯度最大，权重分布零中心近似正态，训练稳定无梯度消失/爆炸。参数敏感性：皮肤摩擦随Le减小而减小、随α增大而增大；Nu随Le减小而减小、随Pr增大而增大。AI-RNN预测与数值解及文献吻合误差<1%。

四、结论总结（翻译结论部分）

本研究得出以下要点：AI-RNN模型精确求解EP-THNFM（Eyring-Powell Ternary Hybrid Nanofluid Model）高度非线性边界层问题，与参考解R2>0.98高度吻合；训练、验证及测试损失随epoch快速稳定收敛，证明RNN对变参数的泛化能力与稳定性；回归图与预测剖面证实AI-RNN可准确模拟速度、温度、浓度及生物对流场；敏感性分析表明皮肤摩擦随Lewis数(Le)减小而减小、随Eyring-Powell惯性参数(α)增大而增大，努塞尔数(Nu)随Le减小而减小、随普andtl数(Pr)增大而增大；惯性参数α增厚速度边界层，磁参数(M)与孔隙率参数(λ)因阻力效应降低速度；Pr增大致热边界层变薄，Schmidt数(Sc)增大使浓度边界层变薄；三元纳米流体较杂交纳米流体因附加纳米颗粒致黏度密度增大，削弱速度与生物对流。研究证明AI方法可有效处理流体动力学强非线性多场耦合问题，未来可拓展至分数阶模型、瞬态/湍流、多维几何及PINN框架，并与实验数据校验，在个性化血流模拟、药物递送优化及纳米流体冷却系统中具应用前景。