基于人工神经网络的非牛顿混合纳米流体径向拉伸盘流动热力学不可逆性预测与优化研究

《Results in Control and Optimization》：Optimization of Thermodynamic Irreversibility in Non-Newtonian Hybrid Nanofluids over a Radially Stretching Disk Using Artificial Neural Networks

　　

摘要

在非牛顿流体通过拉伸表面传输的过程中，热力学不可逆性的持续产生限制了先进能源和工程系统的热效率。这一挑战在混合纳米流体中尤为突出，因为非牛顿流变学、纳米粒子相互作用以及热传输的综合作用会显著改变熵的产生。因此，本研究探讨并优化了非牛顿混合纳米流体在径向拉伸盘上流动时的热力学不可逆性，旨在确定能够最小化熵产生并提升热性能的操作条件。研究建立了数学模型来描述非牛顿混合纳米流体在径向拉伸盘上的流动和热传输特性，并通过适当的相似性变换将控制方程转化为无量纲系统。随后开发并训练了一个人工神经网络（ANN）模型，利用数值数据集来预测主要的热力学特性，从而帮助优化系统。结果表明，混合纳米流体的流变学和热特性对热力学不可逆性有显著影响。该ANN模型表现出极高的准确性，最佳验证结果的误差范围为7.1149 × 10^-9至1.5192 × 10^-11（训练周期数≤192）。回归分析得出的相关系数为R=1.0000。

Syed Modassir Hussain|Anomitra Chakraborty|A.M. Obalalu|Umair Khan