神经网络反向传播贝叶斯正则化方法用于纳米流体流动的传热传质研究

《Results in Surfaces and Interfaces》：Neural Network Back-Propagated Bayesian Regularization Approach for Mass and Heat Transfer Investigation of Nano-fluid Flow

　　

高效的熱能管理仍是众多工业领域（包括制药、化工、食品加工以及生物医学和工程）面临的主要挑战。在本研究中，研究人员考察了针状几何体内由纳米流体（Nano fluid）饱和且受外部磁场影响的趋氧微生物（oxytactic microorganism）的热生物对流（thermo bio convective）行为，并纳入了斯特凡吹气（Stefan blowing）效应。为了系统简化数学公式，研究人员应用李群对称技术（Lie group symmetry techniques）推导了恰当的不变变换（invariant transformations）。这些变换将包含连续性、动量、能量、浓度和微生物密度的无量纲控制方程组简化为常微分方程组（ODEs）。利用相似变量（similarity variables），整个系统被转化为常微分方程组（ODEs），并通过Mathematica中的ND-Solver方法（利用MATLAB内置函数bvp4c）进行数值求解。研究人员评估了不同参数下的温度、速度、浓度和微生物分布。为了更深入理解各种热流体和磁生物对流参数如何控制系统内的热行为、质量输运、流动行为和微生物动力学，研究人员考察了它们的影响。人工智能（AI）研究通过系统建模（考虑非线性混沌行为和受影响参数的不规则性）增强并改进了结果。研究人员最初使用Mathematica的NDSolve求解变换后的控制方程以获得基准数值解。这些解随后被转换为结构化数据集，用于所提出的神经网络辅助反向传播莱文贝格-马夸特算法（NN-assisted Back-propagated Levenberg–Marquardt Algorithm, BPLMA）的训练、验证和测试。训练后的神经网络准确再现了参考解曲线，证实所提出的框架是一个具有高预测精度和计算效率的可靠替代模型。然后，研究人员使用MATLAB的NN-BPLMA评估所组装的数据，生成了性能图（Performance graphs）、回归分析（Regression analysis, RA）、误差直方图（Error histograms, EH）、状态函数（State functions, ST）和数值函数拟合（Numerical function fits, FF）。此外，结果表明，控制流动约束对系统的热、浓度、速度和微生物分布有显著影响。结果揭示，流体速度随磁参数（M）和粘度相关参数（K）的增大而下降。在热场中也观察到类似的发展，温度随磁参数（M）和普朗特数（Prandtl number, Pr）的增大而下降，表明热扩散阻力增强。浓度分布随施密特数（Schmidt number, Sc）增大而减小，反映了质量扩散率降低，而随吸入/吹气参数（s）增大而增加，这促进了质量输运。此外，微生物密度随粘性参数（K）和生物对流施密特数（Sb）的增大而下降，表明更强的粘性和扩散效应抑制了微生物运动。

论文解读文章

研究背景、问题与意义

随着工业领域对高效热能管理需求的不断增加，纳米流体（Nano fluid）因其优于基液（如水和油）的热物理特性（如增强的对流换热系数、热导率和热扩散率）而受到广泛关注。然而，在制药、化工、食品加工及生物医学工程等实际应用中，传统纳米流体流动与传热传质问题的高度非线性和耦合特性，使得精确数值求解变得复杂且计算成本高昂。现有研究多依赖传统数值方法（如龙格-库塔法、有限差分法、Mathematica的NDSolve和MATLAB的bvp4c），每次参数变化都需要重复计算，效率低下。此外，在生物医学工程（如靶向药物输送系统）、磁冷却技术和微流控装置中，磁场、生物对流（bio-convection）和纳米颗粒的协同作用对系统性能有重要影响，但现有模型缺乏对复杂非线性行为的智能预测能力。因此，开发一种兼具高精度和高计算效率的替代模型成为迫切需求。本研究旨在利用人工智能（AI）技术，提出一种基于贝叶斯正则化（Bayesian regularization）优化神经网络的代理模型，用于三元混合纳米流体（Ternary Hybrid Nano-fluid）在针状几何体内的传热传质研究，并探索其在实际工程中的应用潜力。该论文发表在《Results in Surfaces and Interfaces》。

研究内容与结论

研究人员开展了一项针对三元混合纳米流体（THNF）在垂直薄针（needle geometry）上稳态、轴对称、强制对流流动的研究，考虑了趋氧微生物（oxytactic microorganism）的热生物对流行为、外部磁场（MHD）效应以及斯特凡吹气（Stefan blowing）现象。通过李群对称变换（Lie group symmetry）将偏微分方程组（PDEs）简化为常微分方程组（ODEs），并利用Mathematica的NDSolve生成基准数值解。随后，将解数据转化为结构化数据集，用于训练、验证和测试所提出的神经网络反向传播贝叶斯正则化（NN-BPLMA）模型。该模型以10个输入神经元、4个输出节点（对应速度、温度、浓度和微生物分布）的架构，采用莱文贝格-马夸特算法（Levenberg-Marquardt algorithm, LMA）进行训练。研究结果表明：（1）NN-BPLMA模型预测结果与基准数值解高度一致，回归分析相关系数R达到0.9991，平均绝对误差极小（约10^-10至10^-11量级），验证了其作为可靠替代模型的高精度和计算效率；（2）流体速度随磁参数（M）和粘度相关参数（K）的增大而下降；（3）温度随磁参数（M）和普朗特数（Pr）的增大而下降，表明热扩散阻力增强；（4）浓度随施密特数（Sc）增大而减小，但随吹气参数（s）增大而增加；（5）微生物密度随粘性参数（K）和生物对流施密特数（Sb）的增大而下降，表明粘性和扩散效应抑制了微生物运动。这些发现为理解复杂热流体系统中的传热传质机制提供了重要依据。

关键技术方法

为开展研究，研究人员主要采用了以下关键技术方法：（1）李群对称变换（Lie group symmetry），用于将控制偏微分方程（PDEs）简化为常微分方程组（ODEs）；（2）数值求解：利用Mathematica的NDSolve函数和MATLAB的bvp4c内置函数，生成高精度的基准数值解作为参考数据集；（3）人工智能神经网络框架：采用反向传播贝叶斯正则化优化的莱文贝格-马夸特算法（NN-BPLMA），构建代理模型，该模型包含10个输入神经元（对应8个不同的参数场景）和4个输出节点（对应速度、温度、浓度和微生物分布），使用70%数据训练、15%验证、15%测试。所有方法均基于无样本队列的数值模拟。

研究结果

**速度分布（Velocity Profile）**：通过分析磁参数（M）和粘度相关参数（K）对速度分布的影响，研究发现随着M和K值增大，流体速度显著下降。这表明更强的磁场和粘性效应抑制了流动，降低了动量输运能力。

**温度分布（Temperature Profile）**：考察了磁参数（M）和普朗特数（Pr）对温度分布的影响。结果表明，温度随M和Pr的增大而降低，这是由于热扩散阻力增加，导致热边界层厚度减小，从而削弱了传热效率。

**浓度分布（Concentration Profile）**：研究了施密特数（Sc）和吹气参数（s）对浓度分布的影响。浓度随Sc增大而减小，反映了质量扩散率降低；而随s增大则增加，因为吹气促进了质量输运，增强了近壁面处的物质积累。

**微生物分布（Microorganism Profile）**：分析了粘性参数（K）和生物对流施密特数（Sb）对微生物密度分布的影响。微生物密度随K和Sb增大而下降，表明更强的粘性力和扩散作用抑制了微生物的迁移和生物对流模式。

**神经网络性能评估**：通过误差直方图（Error Histograms）和回归分析（Regression Analysis）验证了NN-BPLMA模型的预测精度。所有8个场景的均方误差（MSE）均达到10^-10至10^-11量级，梯度值约为10^-8，步长约为10^-9，回归系数R接近1，表明模型具有出色的收敛性和泛化能力。

讨论与结论

讨论部分：研究结果表明，NN-BPLMA模型能够有效捕捉三元混合纳米流体在磁性生物对流系统中的非线性行为，其预测精度与传统数值方法相当，但计算效率显著提升。参数分析揭示了磁场、粘性、吹气、普朗特数和施密特数等关键参数对传热、传质和微生物动力学的调控作用，这为工程应用（如MHD泵、热交换器、生物反应器和靶向药物输送）提供了理论指导。与现有研究相比，本工作首次将贝叶斯正则化优化神经网络应用于此类复杂系统，克服了传统方法重复计算的缺点，为智能热流体管理提供了新思路。

结论翻译：在应用BPLMA方法之前，15%的数据集用于测试和验证，70%用于训练模型。在将矩阵结构化数据转换为适当的MATLAB格式后进行此划分。使用精心开发的代码（用于REGA、PVA、EHP、FSF和TSF）结合MATLAB的神经网络拟合工具箱进行模拟。一旦所有数值输出实时生成，进行对比评估，生成绝对误差图和求解曲线以供详细评估。本研究的主要结果概述如下：（1）上升的功率律参数（m）和磁参数（M）导致流动分布f'(η)下降；（2）上升的功率律参数（m）和普朗特数（Pr）导致温度分布θ(η)下降；（3）施密特数（Sc）的增加导致浓度分布φ(η)减少，而沸点参数（s）的增加则导致φ(η)增强；（4）上升的功率律参数（m）和施密特数（Sc）导致微生物分布χ(η)下降。