基于递归神经网络预测达西–福希海默混合纳米流体传输的智能框架

《Next Nanotechnology》：Intelligent prediction of Darcy–Forchheimer hybrid nanofluid transport using recurrent neural networks

　　

混合纳米流体通过达西-福希海默（Darcy–Forchheimer）结构的流动受到多种因素的影响，主要是来自强非线性的湍流和粘性阻尼、多种特性的相互作用，以及系统如何记忆其先前历史，这些因素会极大地模糊可能通过传统数值方法获得的结果。本文介绍了一个基于递归神经网络（RNN）的精细智能计算框架，用于学习和预测Al₂O₃–TiO₂/水混合纳米流体在速度滑移、辐射加热效应、渗透率变化和温度分层因素影响下的非线性行为。用于训练和验证RNN架构（具有35个隐藏神经元和时间延迟反馈）的数据集，是通过对转换后的控制方程采用基于打靶法的数值解生成的。RNN模型在所有测试的参数案例中都提供了准确的预测，产生的绝对预测误差接近于零，并且与数值模拟获得的结果高度相关，这一点通过均方误差（MSE）、回归精度、误差直方图、相关性分析以及时间序列响应曲线的评估得到了验证。总体而言，研究表明，RNN框架能够出色地表示多孔介质特性、滑移速度、传热非线性影响以及分层对速度场和温度场的交互作用。此外，研究结果支持了将RNN作为经典数值技术强大替代方案的论点，以便在复杂多孔介质纳米流体系统的数值建模中，实现更高效的收敛、更稳定的运行以及更低的计算成本。

**论文解读：基于递归神经网络的达西–福希海默混合纳米流体传输智能预测**

**研究背景与问题**

在流体传输领域，提升流体的热导率是增强传热性能的关键。自1996年Choi确认在传统流体中添加纳米颗粒可提升其热导率以来，纳米流体技术得到了广泛研究。随后，混合纳米流体（悬浮有两种或多种不同纳米颗粒的流体，如Al₂O₃–TiO₂）因其更优越的热物理性质和稳定性，在核电站冷却系统、半导体芯片热管理、太阳能热捕获等工程应用中展现出巨大潜力。

当混合纳米流体流经多孔介质时，会引入达西–福希海默（Darcy–Forchheimer）阻力效应，该效应包含粘性分量和惯性分量，在高渗透性多孔介质中尤为显著。然而，精确模拟此类流动面临巨大挑战：控制方程是强耦合、非线性的常微分方程，并涉及复杂的速度滑移边界条件、热分层效应以及非线性辐射效应。传统的数值方法，如有限差分法、打靶法和摄动法，在处理这些耦合非线性、记忆效应和强参数耦合时，计算成本高昂，且在参数研究中执行多次计算时尤为低效。

近年来，人工神经网络（ANN）和机器学习为复杂非线性物理系统的建模提供了新途径。特别是递归神经网络（RNN），凭借其内部隐藏状态存储先前输入信息的能力，非常适合建模具有时间依赖性和长程相关性的动态系统。然而，针对同时包含速度滑移、非线性辐射和热分层效应的Darcy–Forchheimer混合纳米流体系统，基于RNN的智能求解器研究尚属空白。因此，本研究旨在开发一个基于RNN的智能计算框架，以高效、准确地预测多种物理现象（Darcy–Forchheimer阻力、滑移速度、非线性热辐射和热分层）耦合作用下的混合纳米流体传输特性。该论文发表在《Next Nanotechnology》。

**主要关键技术方法**

本研究的核心方法论涉及两个主要部分：一是利用基于打靶法和Lobatto法的bvp4c求解器，在MATLAB中生成高保真度的数值解，作为基准数据集；二是构建并训练一个具有35个隐藏神经元和2个时间延迟的RNN架构，使用logsig（对数S型）作为隐藏层激活函数，purelin（线性）作为输出层激活函数。数据集涵盖四个参数变化场景，共12组数值解（2412个样本），按70%、15%、15%的比例划分为训练集、验证集和测试集。

**研究结果**

**4.1 验证数值方法**
通过与Haider等人先前的基准研究结果进行对比，验证了当前打靶-Lobatto数值方法的准确性。结果显示，在整个计算域内，本研究计算出的数值解与基准结果高度吻合，证明用于生成RNN训练数据集的方法是可靠的。

**4.2 RNN模型性能验证**
通过均方误差（MSE）、回归分析、误差直方图、自相关诊断和时间序列响应曲线等一系列诊断工具对RNN模型进行了评估。所有性能指标均表明，RNN模型对模板数值数据具有极佳的拟合度和稳定性，预测误差极低。收敛历史显示，在训练初期MSE迅速下降，随后稳定，没有振荡行为，表明学习动态稳定。

**4.3 参数影响分析**
* **滑移参数（α）的影响**：通过比较RNN预测与基准数值解发现，增加滑移参数α会削弱旋转盘与流体的相互作用，导致主速度f′(x)和次速度g(x)的分布在整个边界层内显著降低。相应的绝对误差范围在10^-8到10^-6之间，表明RNN预测非常精确。
* **几何参数（d）的影响**：增加几何参数d会增强拉伸诱导的流动机制，增加动量传递，导致主速度f′(x)和次速度g(x)分布显著增加，动量边界层变厚。误差分布低于10^-5，证实了RNN模型的准确性。
* **辐射参数（Rd）的影响**：增加辐射参数Rd为流体提供了额外的能量，导致整个热边界层内的温度分布θ(x)上升。RNN预测与基准结果的绝对误差在10^-6到10^-5范围内，一致性良好。
* **热分层参数（St）的影响**：增加热分层参数St降低了壁面与环境流体之间的温差，削弱了传热驱动力，导致整个边界层区域内的温度分布θ(x)下降，热边界层厚度减小。RNN预测的绝对误差很低（10^-6到10^-4之间），证实了其预测能力。

**总结与讨论**

**研究结论翻译：**
一个创新的智能递归神经网络（RNN）框架已成功构建，作为预测包含速度滑移、非线性热辐射和热分层效应的Darcy–Forchheimer混合纳米流体非线性流动的预测工具。本研究的结论可简要总结如下：
* 使用打靶/LOBATTO数值求解技术，获得了非线性边界层控制方程的精确基准解。
* RNN架构精确地映射了流动参数与相应速度场和温度场之间的关系，从而获得了接近零的预测误差。
* 增加Darcy–Forchheimer阻力参数和渗透率参数，由于多孔介质中阻力增加，导致主速度和次速度分布均降低。
* 更高的速度滑移参数值对从旋转盘到相邻流体的动量传递产生了稀释效应，因此获得了更低的速度分布。
* 非线性辐射参数的增量值增强了热能传输，并提高了热边界层的温度分布。
* 通过使用包括均方误差、回归分析、误差直方图和自相关图在内的标准统计性能评估工具，确认了所提出的RNN模型的预测性能，支持了其稳定性、鲁棒性和预测能力。
* 这个新开发的框架是一种计算途径，可用于替代运行多个数值模拟，在本质上极其复杂的线性和非线性热流体系统中具有巨大潜力。

**讨论部分总结：** 研究证实，该RNN框架在处理强非线性耦合的混合纳米流体流动与传热问题时，具有高精度、数值稳定性和出色的泛化能力。相较于传统数值方法，它提供了一种计算高效、无需重复进行数值模拟的替代方案，尤其适用于需要大量参数化研究的复杂系统。未来的研究方向包括将该框架扩展到分数阶混合纳米流体模型、磁流体动力学（MHD）流动、瞬态传输现象、不确定性量化以及物理信息神经网络（PINNs）等更复杂的工程应用场景。