人工智能框架预测倾斜磁生物对流Ellis五元混合纳米流体在拉伸圆柱上伴有回旋微生物的流动：一种Levenberg–Marquardt方法

《Next Nanotechnology》：Artificial intelligence framework for predicting inclined magneto-bioconvective Ellis penta-hybrid nanofluid flow over a stretching cylinder with gyrotactic microorganisms: A Levenberg–Marquardt approach

　　

本研究旨在开发一个数据驱动框架，用于预测Ellis五元混合纳米流体（Ellis penta-hybrid nanofluid）在拉伸边界上的磁生物对流（magneto-bioconvective）传输特性，重点关注流变行为、布朗扩散（Brownian diffusion）、热泳（thermophoresis）和回旋微生物（gyrotactic microorganisms）输运。研究人员采用Levenberg–Marquardt反向传播方案（Levenberg–Marquardt backpropagation scheme）来优化一个两层前馈神经模型，该模型由sigmoid激活的隐藏单元和线性输出层组成。所得到的BLMS-ANN预测与数值数据高度一致，在训练、验证和测试阶段的均方误差（Mean Squared Error，MSE）值范围为10^?9至10^?11。物理上，增大Ellis流体参数增强速度分布，同时降低纳米颗粒浓度和运动微生物的分布。相反，增大热泳参数降低温度分布，但增加浓度和微生物分布。这些发现证明了所提出的ANN框架能够以低预测误差和降低的计算成本再现强耦合的传输行为。当前结果与涉及热管理、生物医学传输、能源系统和采用非牛顿混合纳米流体的先进传热装置的工程应用相关。

**论文解读：人工智能框架预测倾斜磁生物对流Ellis五元混合纳米流体流动**

**一、研究背景与意义**
随着工程系统对高效热管理需求的日益增长，传统换热流体（如水、油、乙二醇）因导热系数较低，难以满足先进热控要求。纳米流体通过悬浮纳米颗粒显著提升基液导热性能，而混合纳米流体进一步优化了热物性。近年来，五元混合纳米流体（penta-hybrid nanofluid，包含五种不同纳米颗粒的复合流体）因其更优的导热与传热效率受到关注。同时，非牛顿流体因广泛存在于生物体液、聚合物溶液等实际场景而成为研究热点，其中Ellis流体模型能够描述低剪切下牛顿特性、高剪切下幂律特性的复杂流变行为，特别适用于血液、黏液等生物流体。此外，磁生物对流现象（magneto-bioconvection）结合了磁场、浮力、纳米颗粒输运与回旋微生物（gyrotactic microorganisms，能通过自身运动引发生物对流的微生物）的耦合效应，在生物工程和热管理系统中有重要应用。然而，描述这类流动的控制方程是高度非线性、强耦合的偏微分方程组，传统数值求解计算成本高、耗时长。因此，研究者希望借助人工智能（Artificial Intelligence，AI）方法构建数据驱动预测框架，以实现高效、精准的替代建模。

**二、研究内容与总体结论**
研究人员针对拉伸圆柱上Ellis五元混合纳米流体的磁生物对流问题，建立了包含倾斜磁场、速度滑移、非线性辐射、布朗运动、热泳和回旋微生物输运的边界层数学模型，并采用MATLAB的bvp4c求解器获得无量纲数值解，生成了训练数据集。在此基础上，构建了一种两层前馈人工神经网络（Artificial Neural Network，ANN），采用Levenberg–Marquardt反向传播算法优化网络参数，以预测速度、温度、纳米颗粒浓度和微生物浓度分布。结果表明，该BLMS-ANN（Back-propagated Levenberg–Marquardt Scheme ANN）框架的预测值与数值数据高度吻合，训练、验证和测试阶段的MSE介于10^?9至10^?11之间，回归相关系数R=1，且计算开销显著降低。研究发现，增大Ellis流体参数会增强流体速度，同时减小纳米颗粒浓度和微生物浓度；增大热泳参数则降低温度分布，但提高浓度和微生物分布。该工作表明，智能机器学习框架能够作为传统数值求解器的快速可靠替代工具，为非牛顿混合纳米流体的工程优化提供新途径。论文发表在《Next Nanotechnology》。

**三、主要关键技术方法**
研究人员利用bvp4c求解器对无量纲边界层方程进行数值求解，生成用于训练和测试的数据集。神经网络采用经典两层前馈结构，输入层为无量纲控制参数，隐藏层使用sigmoid激活函数，输出层为线性激活函数，通过Levenberg–Marquardt反向传播算法优化权重与偏置。数据集按70:15:15划分为训练、验证和测试子集，并采用早停机制防止过拟合。评价指标包括均方误差（MSE）和回归R值。最终模型在不同参数条件下均实现了高精度预测，残差集中在零附近，显示了强大的泛化能力。

**四、主要研究结果**
**（1）Ellis流体参数对流动特性的影响：** 数值模拟显示，增大Ellis流体参数β_e使流体剪切变稀效应增强，表观粘度降低，速度分布上升，动量边界层增厚；同时，纳米颗粒和微生物浓度分布下降，边界层减薄。
**（2）磁参数的影响：** 增大磁场参数M会产生更强的洛伦兹力，阻碍流体运动，导致速度分布降低；而流体减速削弱了颗粒携带能力，使纳米颗粒和微生物在壁面附近累积，浓度分布升高。
**（3）速度滑移参数的影响：** 增大滑移参数S削弱了壁面与流体间的动量传递，表面速度显著下降，流动减速导致对流换热减弱，温度、纳米颗粒浓度和微生物浓度分布均升高。
**（4）热泳参数的影响：** 增大热泳参数T_h使纳米颗粒受温度梯度驱动远离热壁面，温度分布略降；近壁区域颗粒聚集，浓度分布出现明显峰值，微生物浓度也随之轻微抬升。
**（5）布朗运动参数的影响：** 增大布朗运动参数B_m强化纳米颗粒的随机扩散，促进热量耗散，温度分布降低；颗粒更均匀地散布到环境中，浓度分布下降。
**（6）Schmidt数和生物对流Lewis数的影响：** 增大Schmidt数S_c意味着质量扩散率相对降低，纳米颗粒和微生物的穿透能力减弱，浓度与微生物分布均下降；增大生物对流Lewis数L_b同样抑制微生物扩散，使微生物浓度分布降低。
**（7）ANN性能评估：** 针对不同目标剖面（速度、温度、浓度、微生物）的预测结果显示，MSE收敛曲线平滑下降，最佳验证性能达到10^?9至10^?11量级；误差直方图集中于零误差附近；回归分析中训练、验证、测试及整体数据的R值均为1；函数拟合残差严格限制在±3×10^?4范围内，证明模型并非简单记忆数据点，而是学到了系统的物理规律。

**五、讨论与结论**
讨论部分强调，所提出的ANN模型能准确复制强耦合的非线性传输行为，且计算成本远低于传统迭代求解器，适用于热管理、生物医学传输、能源系统和先进传热装置等工程领域。研究结论指出，BLMS-ANN框架在预测Ellis混合纳米流体各主要物理剖面时表现出卓越精度和快速收敛能力，验证了智能计算方法作为复杂非牛顿流变行为高效预测工具的可行性。同时，研究人员也指出当前工作局限于理想化边界层模型和有限参数范围，模型基于数值数据训练，尚缺乏实验验证。未来可扩展至瞬态流动、复杂几何、不同纳米流体组成，并与深度神经网络和物理信息神经网络等方法进行比较，以进一步提升泛化能力和预测效率。