基于新型人工神经网络方法的非均匀动脉磁化混合纳米流体Jeffery–Hamel血流熵生成研究

《Next Materials》:Novel artificial neural network approach for entropy generation in Jeffery–Hamel blood flow with magnetized hybrid nanofluid in non-uniform arteries

【字体: 大 中 小 】 时间:2026年03月13日 来源:Next Materials 4.7

编辑推荐:

  本研究旨在探讨基于人工神经网络(ANN)的Jeffery–Hamel模型求解方法,重点聚焦于垂直收敛通道中磁流体动力学(MHD)混合纳米流体流动的非牛顿Sisko流体行为。研究人员采用金(Au)和氧化铁(Fe2O3)作为纳米颗粒,并以血液作为基液。Sisko流

  
本研究旨在探讨基于人工神经网络(ANN)的Jeffery–Hamel模型求解方法,重点聚焦于垂直收敛通道中磁流体动力学(MHD)混合纳米流体流动的非牛顿Sisko流体行为。研究人员采用金(Au)和氧化铁(Fe2O3)作为纳米颗粒,并以血液作为基液。Sisko流体模型因其剪切变稀和剪切增稠特性,能更准确地表征血液的流变性质。血管节段被归类为收敛通道。引入滑移边界条件以消除动脉壁区域的黏性效应。研究人员利用熔化过程中的传热现象来考察传质过程,这适用于血管壁处脂肪或斑块的熔化。传热过程结合了二次热辐射在癌症治疗、热疗及肿瘤治疗中的优势。控制方程通过相似变换转化为无量纲形式。无量纲控制方程采用bvp4c方法与人工神经网络(ANN)进行数值求解。研究人员通过图形化方式考察了不同参数下的速度剖面、温度和熵生成情况,并与ANN结果进行了比较。同时,研究人员还考察了表面摩擦系数和传热率,并以表格形式呈现。图形结果表明,当磁场和Sisko流体参数增强时,速度剖面下降而温度剖面升高。表格结果显示,对于Au和Fe2O3纳米颗粒的大体积分数,表面摩擦系数均呈衰减趋势;而对于较大的辐射参数和磁参数,努塞尔数(Nusselt number)则有所增强。

论文解读

研究背景与意义

在生物医学工程与流体力学交叉领域,血液流动的非牛顿特性及其在复杂几何结构(如狭窄或分叉动脉)中的传热传质机制一直是研究热点。传统牛顿流体模型难以精确描述血液在低剪切率下的复杂流变行为。Sisko流体模型作为一种改进的非牛顿模型,能有效整合剪切变稀与剪切增稠特性,更贴合生理实际。此外,纳米流体技术的发展为靶向给药和热疗提供了新思路,特别是混合纳米流体(如Au与Fe2O3结合)能显著提升热物理性能。然而,在磁流体动力学(MHD)环境下,考虑二次热辐射、熔化传热及多孔介质效应的非均匀动脉(Jeffery–Hamel流动)内混合纳米流体的熵生成与传热优化问题尚未得到充分解决。本研究发表于《Next Materials》,旨在通过引入人工神经网络(ANN)这一新型计算工具,深入探究上述复杂耦合场下的流动与传热机理,为癌症热疗中的精准温控与纳米药物递送提供理论支撑。

关键技术方法

研究人员构建了以血液为基液、掺杂Au和Fe2O3纳米颗粒的混合纳米流体模型。在数学建模方面,采用了Sisko非牛顿流体本构方程,并结合磁流体动力学(MHD)、多孔介质、二次热辐射及熔化边界条件。控制方程通过相似变换转化为无量纲常微分方程组。求解策略上,研究人员创新性地结合了传统的MATLAB bvp4c数值求解器与基于Levenberg-Marquardt算法训练的人工神经网络(ANN)模型,实现了对复杂非线性系统的高效预测与验证。

研究结果

数学公式化
研究人员基于二维连续性方程与Navier-Stokes方程,推导了Sisko混合纳米流体在圆柱坐标系下的质量、动量和能量守恒方程。引入了Cauchy应力张量与剪切速率的定义,并结合了二次热辐射的热通量表达式。通过相似变换,将复杂的偏微分方程组转化为无量纲常微分方程组,确立了雷诺数(Re)、磁参数(M)、Sisko流体参数(δ)、热辐射参数(Rd)等关键无量纲参数的数学形式。
物理量
研究明确了皮肤摩擦系数(Cf)和努塞尔数(Nu)的计算方法,用于评估壁面剪切应力与传热效率。详细列出了血液、Au和Fe2O3的物性参数(密度、比热容、导热系数、电导率),并给出了混合纳米流体的动态黏度、密度、热容量、导热系数及电导率的混合规则计算公式。
熵生成
基于热力学第二定律,研究人员推导了总熵生成率(ST)的数学表达式,将其分解为热传递不可逆性、焦耳加热不可逆性、流体摩擦不可逆性和孔隙率不可逆性四个组成部分,并进一步转化为无量纲熵生成数(NG)。
求解方法
针对非线性常微分方程组的求解难题,研究人员采用MATLAB bvp4c方法进行数值离散求解。同时,构建了包含输入层、隐藏层和输出层的多层感知机(ANN)架构。利用nftool导入数据,按70%训练、30%测试验证的比例划分数据集,通过最小化均方误差(MSE)优化网络权重,实现对速度、温度和熵生成的高效预测。
结果与讨论
  • •
    ANN分析:ANN模型表现出极高的预测精度,速度剖面的验证MSE低至2.8868×10?9,温度剖面MSE为8.8708×10?11,熵生成MSE为7.5372×10?11。回归系数R均接近1,证明了模型在处理复杂非线性关系时的稳定性与泛化能力。
  • •
    速度剖面:孔隙率参数(Kp)增大使渗透率增加,从而提升流速;磁参数(M)增大产生洛伦兹力阻力,导致流速下降;Sisko流体参数(δ)增大会增强剪切变稀效应,提高有效黏度,降低流速;格拉晓夫数(Gr)增大代表浮力增强,阻碍主流方向动量传递,流速下降;雷诺数(Re)增大则显著加速流动。
  • •
    温度剖面:磁参数(M)增大加剧了焦耳加热与摩擦生热,使温度升高;热辐射参数(Rd)增大促进了热量耗散,导致温度降低;Sisko流体参数(δ)增大增强了黏性耗散,机械能转化为热能,温度升高;熔化参数(Mt)增大意味着相变潜热吸收增加,提升了系统的热能量,温度升高。
  • •
    熵生成:磁参数(M)增大导致更强的洛伦兹力和焦耳加热,增加了不可逆损失,熵生成上升;热辐射参数(Rd)增大降低了温度梯度,减少了热不可逆性,熵生成下降;Sisko流体参数(δ)增大加剧了黏性耗散与剪切变稀效应,能量耗散增加,熵生成上升。
  • •
    物理量:皮肤摩擦系数随速度滑移参数(N1)和纳米颗粒体积分数的增加而衰减,随磁参数(M)的增加而增强。努塞尔数(Nu)随辐射参数(Rd)、磁参数(M)和Fe2O3体积分数的增加而增强,但随Au体积分数的增加而减弱。

结论总结

本研究成功开发了一种基于人工神经网络(ANN)的数值框架,用于模拟垂直收敛通道中MHD混合纳米流体(血液+Au+Fe2O3)的非牛顿Sisko流动。研究全面考量了磁效应、多孔介质、焦耳加热、黏性耗散及二次热辐射的耦合影响。核心结论如下:
  1. 1.
    速度剖面受磁参数、Sisko参数和格拉晓夫数的负向影响,受孔隙率和雷诺数的正向影响。
  2. 2.
    温度剖面随磁参数、Sisko参数和熔化参数的增加而升高,随热辐射参数的增加而降低。
  3. 3.
    熵生成随磁参数和Sisko参数的增加而加剧,随热辐射参数的增加而减缓。
  4. 4.
    皮肤摩擦系数随滑移参数和颗粒体积分数的增加而减小,随磁参数的增加而增大。
  5. 5.
    努塞尔数随辐射参数、磁参数和Fe2O3体积分数的增加而增大,随Au体积分数的增加而减小。
  6. 6.
    ANN模型的误差指标(MSE、回归线)验证了该方法在复杂生物流体力学问题中的有效性与稳定性。
该研究不仅深化了对非均匀动脉内复杂流动与传热现象的理解,其高精度的人工智能求解框架更为未来在靶向热疗、医学成像及纳米药物递送系统的优化设计中提供了强有力的计算工具与理论依据。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号