基于人工神经网络模型对双应力流体磁流体力学Jeffery–Hamel流动的分析

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Analysis of Magnetohydrodynamic Jeffery–Hamel Flow of a Couple-Stress Fluid Using an Artificial Neural Network Model

　　

摘要

本研究采用人工神经网络方法，探讨了在磁场作用下半应力流体的杰弗里-哈梅尔流动特性。虽然牛顿流体的相关研究十分丰富，但这类流体在收敛/发散通道中的流动动力学，尤其是半应力流体的情况，至今仍缺乏系统研究。我们首次运用人工神经网络来解决由杰弗里-哈梅尔流动产生的五阶非线性微分方程，从而应对这一复杂的非线性流体动力学问题。通过考虑微观结构效应以及半应力流体的独特流变特性，我们的方法能够为受磁场影响的流速分布提供高精度解决方案。我们重点分析了雷诺数、磁参数、通道角度和半应力参数等关键参数对流速分布及流动结构的影响。研究结果表明，无论半应力参数值较低（为5）还是较高（为1000），增加磁参数都会降低流体流速；而牛顿流体的情况则相反，增加磁参数会提升流体流速。此外，当半应力参数较小时，由于半应力粘性的主导作用，流速分布较为集中；而当半应力参数较大时，随着半应力粘性影响力的减弱，流速分布会出现明显变化。较大的通道角度和较高的半应力参数值都会提升流体流速，增加雷诺数同样也会提高流速，这些现象都表明其行为与牛顿流体存在差异。所提出的基于人工神经网络的方法填补了现有研究的空白，为模拟在磁场作用下的生物、工业及微流控系统中的流体流动提供了有力工具，同时还揭示了以往牛顿流体或非牛顿流体研究中未曾出现过的微观结构相互作用。这些研究成果有助于优化涉及磁场作用下半应力流体的各类流体动力学应用。