基于血液的纳米流体在倾斜多孔板上的流动的人工智能模型比较

《South African Journal of Chemical Engineering》：Artificial Intelligence Model Comparison of Blood-Based Nanofluid Flow Over an Inclined Porous Sheet

　　

近年来，大量数据的可用性和机器学习算法的改进使得人工智能（AI）变得更加强大。这些发展使AI系统能够理解和分析复杂模式，生成精确预测，并随时间提升其能力。本研究探索了三种AI模型（人工神经网络（ANN）、最小绝对收缩和选择算子（LASSO）和线性回归（LR））的比较分析，这些模型基于显式有限差分法（EFDM）生成的数据进行训练，以预测基于血液的纳米流体在倾斜多孔板（IPS）上的热质传递（HMT）特性。该数学建模还考虑了Casson纳米流体、电磁流体动力学（EMHD）、热辐射以及带有化学反应的激活能（AECR）的耦合效应。核心目标是通过比较AI模型结果，分析化学反应、激活能与IPS上HMT等现象之间的复杂相互作用。研究人员利用EFDM将时间依赖的控制方程转换为无量纲形式。为确保解的收敛准确性、稳定性和符合收敛准则，研究人员建立了这些条件。数值结果以图形方式显示的无量纲参数包括温度、速度和浓度分布。关键发现是平面上的速度显著下降了约65.6%，这转化为异常的流动阻力，观察到摩擦增加了18.47%。此外，热性能估计提升了79.07%，表明热传递效率提高。同时，对于相关物理参数，质量传递和热量传递速率达到了0.9999的R平方值，表明极好的一致性。HMT表明，AI的LR算法对每个参数都达到了0.9999的非常高R平方值。这些进展有望应用于各种领域，包括相关领域的学术研究增强。

**研究背景、问题与意义**
激活能（Activation Energy, AE）是理解化学反应动力学与可行性的关键概念，它决定了反应起始所需能量并影响反应速率。Casson流体模型通过屈服应力项和独特应力-黏度关系表征非牛顿流体（特别是具有屈服应力的流体）的流变行为，在血液流动模拟、食品加工等领域具有重要应用。已有研究探讨了热辐射、激活能、化学反应对多种几何形状（如倾斜板、曲面、多孔介质）上流体流动的影响，但鲜有同时考虑电磁流体动力学（Electromagnetic Hydrodynamics, EMHD）、线性辐射、电场、Casson纳米流体以及人工智能（AI）模型预测的综合性分析。现有研究在集成多个物理效应方面存在空白，特别是针对基于血液的Casson纳米流体在倾斜多孔板（Inclined Porous Sheet, IPS）上的热质传递（Heat and Mass Transfer, HMT）特性缺乏系统研究。为此，研究人员开展了本研究，旨在通过比较三种AI模型（人工神经网络ANN、最小绝对收缩和选择算子LASSO、线性回归LR）预测复杂耦合效应下的HMT行为，为冷却系统、热交换器、药物递送等工程应用提供优化依据。该论文发表在《South African Journal of Chemical Engineering》。

**主要技术方法**
研究人员采用显式有限差分法（Explicit Finite Difference Method, EFDM）将时间依赖的控制偏微分方程离散化为无量纲形式，并进行了稳定性和收敛性分析（收敛条件基于Prandtl数Pr≥0.60和Schmidt数Sc≥0.10）。基于EFDM生成的包含2000组记录的数据集（8个输入变量：辐射参数Rd、瑞利数Ra、哈特曼数Ha、浮力比Nc、渗透率参数Kp、化学反应参数Kr、Schmidt数Sc、Dufour数Du），分别训练了三种AI模型：ANN采用多层感知器（MLP）网络（单隐藏层64神经元，ReLU激活函数）、LASSO通过L1正则化进行特征选择、LR假设线性关系。数据集按80%训练、20%测试划分，以R²、平均绝对误差（MAE）、均方误差（MSE）评估模型性能。

**研究结果**
*6.1 速度分布*
通过保持其他参数恒定，分析浮力比Nc对速度场的影响：当Nc从0.5增至2.0时，速度在倾斜和平面上分别下降约60.26%和65.61%，归因于浮力超过黏性力抑制流动。电场存在时速度轮廓更高，受电动力和介电泳效应影响。磁参数M（从1增至9）使速度降低约77%–79%，源于洛伦兹力和磁阻尼。Casson参数γ（0.5增至2.0）增大屈服应力导致速度下降；渗透率参数Kp（1增至3）使速度提升约30%，符合Darcy定律。

*6.2 温度分布*
热辐射参数Rp（2增至8）使温度升高约78.85%–79.07%，归因于辐射热吸收；激活能存在时温度梯度更不均匀。Dufour数Du增大增强物种扩散与热传递耦合，导致温度分布不均并升高。吸收参数H为负值时温度先升后稳；H=0时无外部吸收温度稳定；H=1时初期吸收导致温度下降后随能量储存升高。

*6.3 浓度分布*
化学反应参数Kr（0.5增至2.5）使浓度降低约17%–19%，浓度边界层变薄；Schmidt数Sc（0.5增至1.5）减弱扩散使浓度下降更显著，二阶反应浓度略高于一阶。激活能AE（0增至4）增大Arrhenius函数衰减，促进生成反应使浓度上升。

*6.4 表面摩擦*
浮力比Nc增大（0.5至2.5）增强浓度梯度与浮力，壁面速度梯度增加，表面摩擦系数Cf在平面上从6.68486升至7.91982（增幅18.5%），在斜面上从6.75132升至7.87132（增幅16.6%）。

*6.5 比较验证*
将当前数值结果与Hossain等人（Reza-E-Rabbi et al., 2022）的Sherwood数数据对比，两者良好吻合，验证了计算代码的可靠性。

*6.6 AI建模*
基于EFDM数据集训练三种AI模型预测Nusselt数（Nu）和Sherwood数（Sh）。ANN模型的Nu和Sh的R²分别为0.9998和0.9971，MSE分别为9.43×10^-6和1.88×10^-4；LASSO模型的Nu和Sh的R²分别为0.9976和0.9971，MSE分别为1.67×10^-4和1.90×10^-4；线性回归（LR）模型的Nu和Sh的R²均达到0.9999，MSE分别仅为7.8×10^-9和1.2×10^-8。在精度与损失对比中，LR表现最优，其交叉验证得分平均值分别为0.99755（Nu）和0.99822（Sh），表明模型具有极高的预测准确性和泛化能力。

**讨论与结论**
本研究利用EFDM揭示了带化学反应的激活能（AECR）在倾斜多孔板（IPS）上的复杂动力学，Casson纳米流体、EMHD和热辐射影响能量转换率和热传递效率。三种AI模型比较表明，LR算法在预测Nu和Sh时达到最佳R²（0.9999），优于ANN和LASSO。主要结论包括：
? 浮力比Nc从0.5增至2.0时，平面速度下降约65.61%，斜面下降60.26%；表面摩擦分别增加16.59%和18.47%。
? 磁参数M增大使平面和斜面速度分别下降77.48%和77.74%，有无电场时类似。
? 渗透率Kp从1增至3，有无电场时速度分别提升30.23%和29.97%。
? 辐射参数Rp从2增至8，有无电场时温度分别提升78.85%和79.07%。
? 化学反应参数Kr从0.5增至2.5，一阶和二阶浓度分别下降17.09%和18.60%。
? ANN模型对HMT的R²分别为0.9998和0.9974。
? LASSO模型对HMT的R²分别为0.9978和0.9973。
? LR算法对质量传递和热量传递速率均达0.9999的R²值。
这些发现对材料科学、热传递、表面涂层、环境修复、催化等领域具有广泛的工程应用价值，并为未来利用AI增强旋转圆柱表面预测建模提供了方向。