混合防冻液（含CuO纳米颗粒和乙二醇(20%)-水(80%)基液）的流变行为：基于GMDH型人工神经网络的预测

《South African Journal of Chemical Engineering》：Rheological behavior of the hybrid antifreeze with CuO nanoparticles and Ethylene Glycol (20%)-water (80%) base fluid: Prediction with group method of data handling-type artificial neural network

　　

研究人员使用基于数据分组处理方法（GMDH）人工神经网络研究了由20%乙二醇、80%水和氧化铜纳米颗粒组成的混合纳米流体的流变行为，该网络基于在不同温度（T）、纳米颗粒体积分数（NP-φ）和剪切速率（SR）下收集的实验数据集进行训练。本研究的主要目标是开发一个可解释的预测框架，能够通过显式二次传递函数而非传统黑箱预测模型来估计所研究混合纳米流体的粘度行为。多项式系数和网络结构通过最小二乘优化确定，并使用多种统计和图形验证方法评估了所开发框架的预测能力。结果表明，所开发的预测模型在估计纳米流体粘度方面实现了高精度，均方根误差（RMSE）、平均绝对误差（MAE）、平均误差和决定系数（R2）分别为0.0636、0.0507、0.0042和0.99157。图形比较和误差分布分析也证实了在所研究的操作条件下预测输出与实验测量值之间的高度一致性。流变分析表明，温度是影响混合纳米流体粘度行为的主要参数。升高温度显著降低了粘度，而增加纳米颗粒体积分数则增加了粘度。相反，在所研究条件下，剪切速率的轻微增加降低了粘度。此外，在较高温度下，纳米颗粒浓度对粘度的影响减弱。具体而言，在10°C时，将纳米颗粒体积分数（NP-φ）从0%增加到1%使粘度增加了约40%，而在50°C时，这种影响降低到近5%。

纳米流体（NF）作为热交换工质，因其增强的导热性能而受到广泛关注，但纳米流体的粘度（μnf）是影响其流动特性和泵送功率的关键参数。现有预测模型多为基于传统人工神经网络（ANN）的黑箱结构，难以提供可解释的数学关系，且缺乏同时考虑温度（T）、纳米颗粒体积分数（NP-φ）和剪切速率（SR）耦合影响的研究。为克服这一局限性，研究人员开展了基于数据分组处理方法（GMDH）型ANN的预测研究，旨在开发一个既能保持高预测精度又能生成显式二次传递函数的可解释框架。该研究发表于《South African Journal of Chemical Engineering》。

研究人员利用旋转粘度计在200个实验数据点（涵盖不同T、NP-φ和SR）上，对由20%乙二醇（EG）和80%水组成的基液及氧化铜（CuO）纳米颗粒构成的混合纳米流体进行了流变行为建模。主要技术方法包括：采用GMDH型ANN自主构建网络结构，通过最小二乘法优化二次多项式系数，并使用统计指标（RMSE、MAE、R2）和图形验证（相关性图、误差直方图、三维曲面图）评估模型性能。所有实验数据来源于作者实验室的粘度测量，样本队列涵盖NP-φ范围0%至1%、T范围10°C至50°C、SR范围15 rpm至240 rpm。

研究结果部分如下：

**GMDH网络结构与多项式系数**：通过GMDH算法自动选择最优网络结构，最终得到包含2个神经元的隐含层和1个神经元的输出层。每层神经元通过二次多项式连接，共生成三个显式传递函数，系数由最小二乘法确定。

**预测精度验证**：统计验证显示，所开发模型对μnf的预测具有高精度：RMSE为0.0636，MAE为0.0507，平均误差为0.0042，R2为0.99157。误差分布呈正态分布且集中于零附近，相关性图表明预测值与实验值高度一致，证明模型捕获了非线性关系。

**参数影响分析**：三维曲面图分析表明，T是影响μnf的主导参数，升高T显著降低μnf；增加NP-φ使μnf升高，但该效应在高温下减弱，例如在10°C时NP-φ从0%增至1%使μnf增加约40%，而在50°C时仅增加约5%；轻微增加SR使μnf降低，但影响程度小于T和NP-φ。

讨论部分指出，GMDH模型优于传统黑箱ANN，因其提供了显式数学方程，可同时解析T、NP-φ和SR的交互作用，并可作为优化问题的目标函数。研究结论翻译如下：本研究表明，基于GMDH的框架能够高精度预测CuO/EG-水混合纳米流体的μnf行为，生成显式二次传递函数，从而提供可解释的数学关系。温度是主要影响因素，升温显著降低粘度，增加NP-φ提高粘度，增加SR轻微降低粘度，且NP-φ的影响在高温下减弱。该模型在特定操作条件下表现良好，未来可扩展至其他纳米流体系统并对比深度学习算法。