基于人工智能的非牛顿纳米流体流动分析与热性能优化框架

《Engineering Applications of Artificial Intelligence》：Artificial intelligence-based framework for flow analysis and thermal performance optimization in non-Newtonian nanofluids

　　摘要：在许多工程应用中，提升热性能至关重要，因为它直接影响整个系统的效率。本研究探讨了在不同长宽比矩形腔体中非牛顿纳米流体的混合对流流动与传热现象。研究开发了一种结合计算流体动力学、人工智能和优化工具的三相框架，用于模拟、分析并提升热性能。首先，通过参数研究生成了包含1920组模拟数据的全面CFD数据集，其中五个关键参数——腔体长宽比、瑞利数、佩克莱特数、幂律行为指数以及纳米颗粒体积分数——在具有实际意义的范围内进行变化。这些包含传热速率和流动强度的数据被用来训练人工神经网络。研究采用了结合K折交叉验证、贝叶斯优化和网格搜索的混合调优策略，以确定最优的神经网络架构。经过精细调优的模型展现出极高的预测精度，在测试集上两个目标变量的决定系数均达到了0.9996。敏感性分析表明，腔体长宽比和瑞利数是影响最大的参数，而佩克莱特数主要影响流动强度。最后，利用贝叶斯优化确定了不同腔体配置下提升热性能的最佳参数组合。该框架提供了一种经过验证且可重复的方法，证明了将CFD、人工智能和优化工具相结合，用于分析和优化复杂热系统的重要性。这一框架为将混合CFD–人工智能–优化方法应用于需要优化设计和性能提升的复杂工程系统提供了实用且可迁移的方法论。

引言：鉴于其与提升众多关键工业应用效率的直接关联，增强对流传热性能一直是流体动力学领域科学研究的核心课题，这些应用包括换热器（Liu等人，2025年）、干燥过程（Ge等人，2024年）、可再生能源（Gasiunas和Seporaitis，2025年）、热能存储系统（Daneshazarian和Berardi，2023年）、建筑物的热舒适性与能源效率（Nouadje和Kapen，2022年）以及电子设备冷却（You等人，2024年）。因此，人们提出了多种增强策略，要么单独使用，要么结合不同方案，以提升传热速率。在这些策略中，使用纳米流体被认为是一种简单且有效的强化热传递现象的方法，其原理是通过向基液中引入纳米颗粒来改善工作流体的热物理性质。Saha等人（2025年）研究了在带有内部绝热圆形块和底部加热矩形壁的齿形封闭空间中，填充Al2O3?H2O纳米流体并施加磁场时的自然对流热性能。他们发现，随着瑞利数增大，纳米颗粒体积分数的增强作用愈加明显，同时纳米颗粒的加入还有助于稳定流动，从而使流动模式更加平滑。El Hadoui和Kaddiri（2024年）研究了填充碳纳米管/煤油纳米流体的矩形封闭空间中的对流流体循环与传热现象。他们发现，随着腔体长宽比的增加，纳米管浓度对努塞尔数的负面影响愈发显著。Alam等人（2024年）对填充Fe3O4?水纳米流体的六边形腔体内的自然对流进行了数值和统计研究，旨在找出实现最佳热性能的关键条件。数值结果表明，提高描述磁场强度的哈特曼数以及纳米颗粒直径会降低平均努塞尔数，而施加的磁场倾角则有助于提升传热效果。此外，敏感性分析还帮助确定了瑞利数、纳米颗粒浓度和哈特曼数对最佳热性能的影响。Emara等人（2025年）研究了利用水基纳米流体和相变材料来提升热能管理与存储性能。实验结果表明，将相变材料与含有TiO2或Al2O3纳米颗粒（纳米颗粒体积分数分别为0.08%和0.16%）的纳米流体结合使用，能够提升对流传热效果，其中Al2O3纳米流体的提升效果（+37%）优于TiO2纳米流体（+21%），而相变材料的加入则进一步增强了热传递过程。作者们认为，纳米流体与相变材料相结合，有望用于构建高效且紧凑的热系统。Hussain等人（2025年）研究了在填充微极性流体与混合纳米流体（Ag?MgO纳米颗粒）的焚化炉形状封闭空间内的自然对流传热现象。他们发现，随着瑞利数Ra的增大，由于自然对流机制得到加强，传热效果也会提升。此外，随着纳米颗粒体积分数的增加，由于热导率提高，努塞尔数也会上升。Zheng等人（2025年）通过实验和数值研究，探讨了在用于传热和热存储应用的熔盐中添加SiO2纳米颗粒对熔盐热物理性质的强化作用。他们发现，用扭曲管道替代光滑管道后，努塞尔数Nu会增加；此外，他们还给出了在双向扭曲管道中，硝酸盐/亚硝酸盐熔盐纳米流体的努塞尔数与摩擦系数f之间的经验关系式，这些关系式是基于所研究的各种参数得出的。Jiang等人（2025年）通过实验研究了纳米流体与超声波共同作用对微通道散热器中传热提升的影响。实验结果表明，引入纳米颗粒后，超声波对传热提升的作用更为显著，因为纳米颗粒使得流体运动加剧，从而降低了流动阻力，即纳米流体摩擦系数和压降，进而提升了传热系数和努塞尔数。此外，作者们还发现，当纳米颗粒浓度较高时，超声波的增强作用更为明显，因为较高的纳米流体质量分数会导致纳米颗粒聚集和沉淀，从而降低传热性能。Chou等人（2025年）研究了在两个不同的三维腔体中，含有Cu-水纳米流体且具有牛顿流体力学行为的双扩散对流现象，同时考虑了非均匀的热边界条件和溶质边界条件。第一个腔体为n形立方体结构，而在第二个腔体中，n形立方体的凸起底部被替换成了多层不同固体结构。数值结果表明，与均匀的温度和浓度边界条件相比，非均匀边界条件有助于提升热量和质量的传递。瑞利数也表现出同样的增强效应，而随着纳米颗粒浓度的增加，传热效果提升，但质量传递效果则有所下降。此外，热导率、层数以及底部多层结构中不同材料的排列方式也会影响努塞尔数。在现实世界的工业应用中，人们更倾向于选择非牛顿流体而非牛顿流体，因为非牛顿流体能够在工作流体的物理性质方面提供更灵活的选择范围，从而更好地满足各种应用需求。然而，非牛顿流体的非线性流变行为增加了问题的复杂性，因为原本描述对流传热的非线性方程会变成高度耦合的非线性方程，从而增加了模拟的计算负担。此外，许多已发表的研究表明，纳米流体也表现出非牛顿流变行为，这就要求在准确模拟和再现实际工程应用中的流体流动和热传递过程时，必须研究非牛顿纳米流体。Hojjat等人（2011年）通过实验研究了含有γ-Al2O3、TiO2和CuO纳米颗粒的三种非牛顿纳米流体的流变特性。他们发现，所有被研究的纳米流体都遵循幂律模型，并且具有剪切变稀特性。此外，他们还发现，纳米流体的流变特性取决于纳米颗粒浓度和温度。Mamun Molla等人（2024年）通过数值方法研究了在方形封闭空间内，含有置于中心的加热块且填充有非牛顿宾汉Al2O3?水纳米流体的层流自然对流现象。他们重点研究了三个关键参数的影响：瑞利数Ra、宾汉数Bn以及纳米颗粒浓度?。研究结果表明，纳米颗粒的布朗运动效应会提升传热速率，而宾汉数的增加则会降低传热速率，这种影响在瑞利数较高时更为显著。Parvin等人（2023年）通过数值方法研究了在具有波浪形垂直边界且内部含有中心椭圆形加热元的腔体中，非牛顿纳米流体的自然对流现象。他们的研究结果表明，随着纳米颗粒浓度的增加，流体循环和热传递都会减弱。至于磁场的影响，虽然提高哈特曼数会降低平均努塞尔数，但通过调整磁场的倾角γ，可以抵消这种效应，当γ=90°时，传热速率可达最大值。Supti等人（2024年）研究了具有右侧开口的方形腔体，该腔体的上下边界中间设有垂直的绝热块。他们发现，随着纳米颗粒体积分数的增加，浮力会减弱，而总熵产则会增加。不过，当幂律指数增加时，熵产生又会减少。M'hadbi等人（2024年）研究了在带有加热垂直障碍物的方形封闭空间内，含有Cu、TiO2和Al2O3三种不同纳米颗粒的非牛顿幂律纳米流体的情况。他们发现，瑞利数的增强作用与纳米流体的流变行为及纳米颗粒类型无关。此外，研究结果表明，虽然添加纳米颗粒能够提升热性能，但这种效应在剪切变稀行为中更为显著。作者们认为，假塑性流体与纳米颗粒的引入能够协同提升传热效果。不过，在瑞利数较低、传导传热占主导地位的情况下，他们发现，对于剪切增稠行为而言，随着纳米颗粒体积分数的增加，其增强作用更为显著，因为此时纳米颗粒的增稠效应能够克服膨胀效应对流体粘度升高的影响。Yazdi等人（2025年）研究了在带有肋槽的封闭空间中，填充有幂律非牛顿纳米流体时的热性能提升现象。他们发现，虽然随着纳米颗粒体积分数φ的增加，传热效果会提升，但流动阻力的变化程度很大程度上取决于流体的流变行为，其中剪切变稀流体随着φ的增加，表面摩擦力的上升幅度较小，这使其更适合高流量应用，而剪切增稠流体的流动阻力提升效应则更为明显。作者们强调了在设计非牛顿流体性质时，需要在传热收益与能量损失之间找到最佳平衡点。Ojeda等人（2024年）研究了以y形结构构成的管道网络，其中以幂律非牛顿纳米流体作为工作介质。与Yazdi等人的研究结果一致，他们发现，随着纳米颗粒体积分数的增加，剪切变稀特性使得在较小的管道网络中就能实现最小的热阻，而剪切增稠特性则无法达到这样的效果。Khatun等人（2025年）通过对含有内部加热圆形块且填充有Ag?SiO2?水混合纳米流体的梯形腔体进行数值和统计研究，利用有限元方法获得了研究结果。这些数值结果表明，混合纳米流体在平均努塞尔数方面优于水基流体以及单一纳米流体，即Ag?H2O和SiO2?H2O。通过响应面法进行的敏感性分析也表明，各关键参数对传热速率的影响与先前的研究结论一致，即瑞利数和纳米颗粒浓度与传热呈正相关，而哈特曼数则呈现相反的效果。Jannat Asha等人（2023年）研究了在含有Cu?Al2O3?乙二醇混合幂律非牛顿纳米流体的二维C形封闭空间内，磁流体动力学自然对流现象。关于流体的流变行为，他们发现，随着幂律指数的增加，传热效果和总熵产都会降低。Mamun Molla等人（2025年）同样研究了混合Cu?Al2O3?乙二醇幂律非牛顿纳米流体，但这次是在具有居中方形加热板的三维立方体腔体中进行的研究。与二维情况类似，随着幂律指数的增加，传热效果和总熵都会降低，而瑞利数的增加则会导致熵增加，因为浮力增强会带来更高的流体摩擦力。尽管利用自然对流来提升工程应用的热性能这一理念极具吸引力，且对工业领域有益，但现实情况是，纯粹的自然对流要么由于外部力的作用而无法准确再现实际运行条件，要么无法满足现实世界应用中对传热提升的严格要求。因此，为准确模拟相关问题以及提升热性能，从科学研究和工程应用的角度来看，研究由自然对流所对应的浮力与外部力量共同作用引发的混合对流现象已变得十分必要。相较于纯自然对流或强制对流，混合对流的研究面临更大挑战，因为浮力与剪切力之间存在相互作用，还会产生复杂的流体流动与传热模式，进而增加研究非牛顿纳米流体对流循环及热传递时的计算负荷。这类纳米流体非牛顿混合对流的复杂性在文献中也有所体现——相关学术论文数量相对较少。Hameed等人（2024年）通过数值方法研究了倾斜椭圆腔体内的非牛顿铜水纳米流体混合对流现象，此次没有采用滑动壁结构，对流是由内部逆时针旋转的加热圆形元件导致的。研究者发现，无论幂律指数和哈特曼数取何值，随着理查森数的增大，传热速率都会下降。Abderrahmane等人（2022年）则在带通风口的方形腔体中研究了类似现象，该腔体内有旋转的绝热圆形障碍物，研究使用的则是铝氧化物铜/羧甲基纤维素复合纳米流体而非单一纳米流体。研究者表明，逆时针旋转内块能提升热传递效率，而顺时针旋转则会产生相反效果。此外，他们还发现，在逆时针旋转的情况下，将内块向上移至靠近热边界的位置，能够进一步增强对流传热效果。Mahmud等人（2024a年）研究了宽度可变的垂直矩形封闭空间内的混合对流传热现象，该空间内含有悬浮在乙二醇基流体中的两种不同纳米颗粒——氧化铁和多壁碳纳米管——形成的混合纳米流体，内部还有加热的圆柱形块体。该封闭空间配备了不同滑动方向的盖子驱动式垂直边界，以此分别模拟有助于或阻碍自然对流与强制对流的浮力与剪切力作用。研究者首次指出，纳米流体的流变行为会随着纳米颗粒浓度的变化呈现牛顿流体特性或非牛顿流体特性。进一步的研究结果表明，在以强制对流为主的情况（理查森数为0.001）下，填充非牛顿纳米流体的较小腔体长宽比，在无论是有助于还是阻碍对流的情形下，都能带来更高的热性能。结果还显示，在以强制对流为主的情况下，无论纳米流体的流变行为如何，随着纳米颗粒体积分数的增加，努塞尔数会持续上升；而在非牛顿纳米流体的自然对流为主的情况下，才会出现这样的结果。Bozorg和Siavashi（2019年）通过数值方法研究了含有铜水单一纳米流体的方形封闭空间内的非牛顿混合对流现象，该空间内有两个内部旋转的圆柱体，一个为加热源，另一个为冷源。为考虑两个内块旋转方向的不同影响，他们共研究了四种情况。与Mahmud等人的研究结果相反，他们发现，在描述以强制对流为主的低理查森数情况下，对于牛顿流体和剪切稀化型纳米流体，随着铜纳米颗粒浓度的增加，努塞尔数会显著上升，而对于剪切增稠型纳米流体，增加纳米颗粒体积分数对努塞尔数没有明显影响。Al-Khaleel等人（2024年）采用伽辽金有限元方法，对单个盖子驱动式波浪形腔体内的非牛顿纳米流体磁流体动力学混合对流现象进行了数值研究。研究者发现，在雷诺数较高的情况下，随着格拉索夫数和达西数的上升，传热速率也会增加，而哈特曼数则会产生相反的影响，导致传热速率下降。从已发表的学术论文以及相关文献综述中可以看出，流体动力学与传热学领域的科研人员在研究这类新出现的现象时，高度依赖计算流体动力学方法。除此之外，尽管程度不及数值计算流体动力学方法，但研究人员也会采用解析法和实验法来研究流体动力学及相关传热现象。这些方法因历史悠久而被视为该领域的传统解决方案，一直以来都发挥着重要作用，能为相关问题的研究提供关键见解。然而，由于控制流体流动与传热的方程原本就具有高度相关性且呈非线性特征，其复杂度不断提升，这些传统方法在时间和计算资源方面存在局限性，无法满足现实应用中的需求——在这些应用中，时间和计算机算力是部署相关解决方案的前提条件。为解决这些缺陷，人工智能作为一种极具前景的解决方案应运而生，其中最成功的应用便是机器学习。如今人工智能和机器学习已被公认为是下一场革命，这一变革正在不断发生，我们每天都能在包括科学研究、医疗、金融、工程等多个领域看到新的应用案例。机器学习指的是数据驱动型的计算机算法，这类算法无需经过明确编码和指令，就能从数据中识别出有用模式，进而生成预测结果及各类有用信息。在流体动力学领域也是如此，越来越多的论文开始运用人工智能和机器学习算法，模拟并研究不同工作条件下的流体流动与传热现象。Dash等人（2026年）研究了一种经实验表征的混合非牛顿纳米流体的混合对流传热现象，该流体的流变特性会随着纳米颗粒体积分数的增加，从牛顿流体状态转变为剪切稀化状态。该研究重点分析了浮力与剪切力对热传递和熵产生的综合影响，旨在为最佳热设计提供参考。此外，该研究还建立了机器学习替代模型，以实现可解释、快速且结果稳定的预测。Hidki等人（2024年）研究了一个方形腔体，该腔体以中心处的椭圆形块体作为加热源，腔体内填充了含有水和纳米增强相变材料的工质。该研究探讨了瑞利数、达西数、纳米颗粒体积分数、块体倾角、熔化温度以及斯特凡数等无量纲参数对平均努塞尔数这一热性能指标的影响。研究结果表明，在基流体中加入纳米增强相变材料能够提升热性能。研究者利用预定义架构的人工神经网络，基于获得的数值数据集进行训练，最终实现了99.1%的R2预测精度。Farahani等人（2024年）研究了带有正弦波形振荡热边界的矩形封闭空间内的混合对流传热现象。该研究分析了瑞利数、腔体长宽比、基流体类型（空气和水）、振荡频率及振幅等控制参数对努塞尔数的影响。此外，他们还研究了添加纳米颗粒的增强效应，研究结果表明这种效应与纳米颗粒体积分数直接相关，较低体积分数能够提升传热效率，而进一步增加体积分数则会产生相反效果。随后，研究者利用构建的数据集训练了人工神经网络，最终实现了94.8%的R2预测精度。Samantha等人（2024年）也研究了顶部盖子驱动的方形封闭空间内的混合对流现象，该空间内有两个内部加热的圆形障碍物。此次研究者假设处于稳定的湍流对流状态，以雷诺数、理查森数和涡粘度作为控制参数，用于模拟努塞尔数。他们首先通过有限元方法构建了数值数据集，随后用该数据集训练了高斯过程回归和人工神经网络两种不同的机器学习算法。研究结果表明，对于这项任务，人工神经网络的预测精度更高，为89%，高于高斯过程回归的87%。Ahmed等人（2025年）研究了带有滑动顶部边界的不规则腔体内的混合对流现象，该腔体底部有一个加热的三角形结构。该研究分析了不同控制参数对速度场及主导对流模式的影响，共研究了边界从左向右移动和反向移动两种情况。此外，研究者还采用了预先设计的人工神经网络架构来预测垂直方向的速度。Dong等人（2024年）研究了带有旋转的冷椭圆形封闭空间内的混合对流现象，该空间内有一个内部旋转的加热圆柱体，腔体内填充了水-多壁碳纳米管纳米流体。研究者分析了格拉索夫数、雷诺数以及多壁碳纳米管体积分数这三个无量纲控制参数对平均努塞尔数这一热传递指标的影响。他们的第一步是通过对研究几何结构进行计算流体动力学数值模拟，构建了包含48个数据样本的小型数据集。随后，研究者采用了预先设计的人工神经网络架构，以这三个无量纲参数作为输入，平均努塞尔数作为输出，网络包含两层隐藏层，每层各有8个神经元，激活函数采用修正线性单元函数。他们的目标是针对输入参数的研究范围，构建更大的数据集（700个数据点），以便后续优化分析。研究结果表明，随着多壁碳纳米管体积分数的增加和格拉索夫数的降低，传热速率会提升。Zhou等人（2023a年）在研究二维盖子驱动的倾斜矩形封闭空间内的混合对流现象时，重点分析了熵产生和贝詹数的变化，该空间内填充了铜水纳米流体。腔体底部边界上放置了三个高度不同的三角形块体。他们首先通过有限体积法进行数值模拟，分析了各种控制参数的影响，之后又使用了未公开详细信息的机器学习算法，得出了能够降低熵产生和贝詹数的最佳块体高度。Zhou等人（2023b年）采用了类似的方法研究同一几何结构，但此次的重点是提升努塞尔数。Sankar等人（2025年）运用机器学习方法对基于纳米流体的太阳能集热器进行了多目标优化研究。他们将所研究的系统模拟为一个高度可变的二维水平矩形腔体。首先，他们通过有限差分法进行了数值模拟，构建了包含125个随机生成数据点的训练数据集。他们选择的输入变量包括纳米颗粒体积分数、流量、高度、对流传热系数、环境温度以及质量流量，这些变量用于预测出口温度、热效率以及光学效率。随后，他们利用该数据集训练了高斯过程回归模型。研究者得出了能够同时提升各项预测值的最佳输入变量配置。El-Mesery等人（2024年）研究了一种用于干燥目的的混合对流-辐射技术。该研究考虑了空气温度、辐射强度以及气流速率这三个输入变量，用于模拟能量消耗、干燥时间以及热效率。他们通过实验构建了训练数据集，每个输入参数设置了三种不同的数值，最终得到了27个数据点。为扩大数据集规模，研究者选择了两种方案：第一种是重复每个实验三次，将原始数据集扩展到81个数据样本，但这种方法无法提升机器学习算法的学习能力，因为输入参数始终不变，预测结果只会因为实验过程中固有的不足和限制而出现轻微偏差；第二种方案是采用插值技术，虽然这种技术能够扩大数据集规模，但需要正确选择合适的插值方案，即线性插值还是非线性插值，如果是非线性插值，还需要确定哪种具体方案最适配原始数据集。人工智能算法属于数据驱动型技术，这就要求必须精心构建数据集，因为数据集的质量会直接影响学习过程的合理性，进而影响最终的研究结果和结论。Riyadi等人（2024年）以及Bayerah等人（2024年）都对人工智能和机器学习在研究和提升对流纳米流体传热性能方面的最新应用进行了文献综述，涉及了不同的配置和应用场景。人工智能和机器学习正在迅速成为推动人类生活和社会发展诸多领域进步与变革的核心力量，而科学研究是实现这些目标、在相关领域取得新突破的首要步骤，因此科研界正越来越多地采用人工智能和机器学习算法，将其作为解决科学问题和分析相关现象的新方法。然而，将人工智能和机器学习不断引入研究实践的这一趋势，不应妨碍我们提出必要的问题，以确保我们正确使用这些工具，而非仅仅随波逐流。无论应用场景如何，首先需要解答的问题是：所研究的问题是否真的需要运用如此先进的工具？由于人工智能和机器学习属于数据驱动型工具，其应用需要庞大的数据集以及强大的计算能力和时间，因此成本极高。如果现有的传统方法就能以高精度、较低的计算资源和时间成本解决并分析该问题，那么在这种情况下使用人工智能和机器学习反而会成为负担。就当前的研究而言，其目的是深入探讨具有不同长宽比、填充有非牛顿纳米流体的盖子驱动式矩形封闭空间内的混合对流现象。选择矩形腔体是因为许多工业应用都可以用这种模型来描述，比如能量收集与储存装置（Rghif等人，2021年）、电子元件冷却系统（El Alami等人，2005年）、热交换器（Too等人，2005年）、涡轮机内部冷却系统（Liu等人，2023年）等等。此外，通过研究不同长宽比的腔体，还可以兼顾微观和宏观应用场景，而针对这些场景设计最优系统正逐渐成为一项愈发复杂精细的工业任务。在这种情况下，提升系统效率并延长其使用寿命，尤其是对于关键部件而言，直接关系到实现最佳的热性能。在流体动力学和传热领域，控制对流流体流动和传热的那些高度耦合、非线性且为二阶偏微分方程的复杂性早已被人们所熟知。当同时考虑混合对流现象和非牛顿流体的流变特性时，这种复杂性还会进一步加剧。如前所述，与涉及牛顿流体的传统自然对流问题相比，混合对流现象带来了浮力与剪切力之间复杂的相互作用，而非牛顿流体特性则给控制方程和参数关系带来了额外的非线性因素，从而大幅提升了研究问题的数学和物理复杂性。在确定该问题的研究难度足以 justify使用人工智能和机器学习方法之后，接下来需要考虑的是开展研究的具体方法，以确保学习过程合理，所得结果可靠。首要问题就是数据集问题，正如文献综述所示，研究人员在数据集规模以及输入参数及其取值范围方面往往重视不足。这是一个至关重要的步骤，因为前述的这类工具极度依赖数据，如果在构建训练数据集时出现任何问题，都可能在学习开始之前就破坏整个学习过程。从文献综述中发现的第二个问题是机器学习算法的架构问题，据我们所知，所有被研究的案例都采用了预定义的架构。问题在于，如果不对定义模型结构的超参数进行适当优化，虽然研究结果可能在准确度和预测误差方面表现良好，但当将该模型应用于实际场景时，由于预定义架构可能仅适用于当前的数据集，而无法泛化到新的未知情况，其效果可能会大打折扣。第三个也是最后一个问题是要确保学习过程的合理性，因为人工智能和机器学习算法大多属于“黑箱模型”，人们很难理解其内部运作机制，也无法解释其产生的结果。因此，那些能够帮助人们了解机器学习算法的学习和预测过程的工具，与提升其性能指标同样重要。综合以上种种情况，本研究旨在提出一种全新的建模、分析和优化框架，将传统的计算流体力学方法、先进的人工智能和机器学习技术以及优化工具相结合，用于研究具有滑动水平壁面的矩形腔体内的非牛顿纳米流体混合对流现象。正如文献综述所示，这一问题融合了多个复杂且具有实际意义的 Research方向，对科学界和工业界都具有重要意义。首先，本研究采用有限差分法对这一问题进行数值模拟，所选的控制参数都是经过精心挑选的，其取值范围能够覆盖学术研究和工程应用中相关的区间。研究探讨了各类无量纲控制参数对提升热量传递和流体循环效率的影响。随后，基于构建好的数据集，本研究旨在提出、测试并验证一种系统化的、逐步式的学习方法，用于构建和优化不同的人工神经网络架构，从而根据相应的控制输入变量预测平均努塞尔数Nu￣和流函数最小值|ψmin|。此外，还运用了多种先进的分析工具，并对其进行了详细阐述，以便了解“黑箱”式人工神经网络模型的内部运作机制，从而确保学习过程的可靠性，同时进一步揭示新兴的流体动力学和传热现象。最后，本研究还引入了一种优化算法，以便充分利用已训练好的人工神经网络模型，找出能够最大化热性能的最佳输入特征组合，这对于许多工程应用来说具有重要意义，正如上述文献综述中所提到的那样。