《Results in Surfaces and Interfaces》:Levenberg–Marquardt Supported Modeling of Darcy–Forchheimer magnetized Cross nanofluid flow with melting cylindrical surface and chemical processes using viscous dissipation
编辑推荐:
本研究旨在探讨熔化效应对Darcy–Forchheimer多孔介质中Cross纳米流体(Cross-Nanofluid)质量与热量传输特性的影响,该流体沿水平延伸的圆柱表面在磁流体动力学(MHD)驻点处流动。传热过程通过黏性耗散(Viscous Dissipa
本研究旨在探讨熔化效应对Darcy–Forchheimer多孔介质中Cross纳米流体(Cross-Nanofluid)质量与热量传输特性的影响,该流体沿水平延伸的圆柱表面在磁流体动力学(MHD)驻点处流动。传热过程通过黏性耗散(Viscous Dissipation)进行详细阐述。研究人员采用Cross纳米流体模型,研究了热泳(Thermophoresis)与布朗运动(Brownian Motion)参数,并通过化学反应进一步观察了上述参数对溶质场(Solutal Field)的影响。控制流体流动的非线性耦合偏微分方程(PDEs)通过适当的相似变换转化为非线性常微分方程(ODEs)。研究人员采用Levenberg–Marquardt反向传播算法(LMB-Scheme)与人工智能神经网络(NNs of AI)相结合的方法对方程进行数值求解。为评估模型在不同条件下的准确性,研究人员通过多种性能指标对NNs of AI与LMB-Scheme的预测效率进行评估,包括回归分析(RA)曲线、误差直方图(EA)以及均方误差(MSE)。本研究进行了详细的计算分析,以探究关键控制参数对非稳态MHD Carreau纳米流体模型速度场、温度场和浓度场的影响。该物理模型综合考虑了热辐射、变黏度以及化学反应物种等因素,控制非线性偏微分方程通过适当的相似变换转化为常微分方程组。所得方程组通过以Levenberg–Marquardt反向传播算法训练的人工神经网络框架进行求解,其准确性采用标准性能指标进行评估,包括均方误差、回归分析以及收敛性评价。
本研究聚焦于复杂非牛顿纳米流体系统中智能计算方法的应用,旨在建立一种融合机器学习与传统数值分析的高效求解框架。研究背景源于实际工程中的多种熔化过程,包括永久冻土融化、岩浆凝固以及冰冻地表液化等现象,这些过程广泛存在于地源热泵换热器环路附近的土壤冻结与融化环境中。理解流体动力学中的熔化机制对于能源工程与环境科学具有重要意义。然而,传统数值方法在处理非稳态、多物理场耦合的非线性问题时往往面临计算成本高、收敛困难等挑战,尤其是在涉及Cross纳米流体这类具有剪切变稀特性的复杂流体时,现有研究多集中于稳态或二维简化模型,缺乏对三维非稳态情形下多参数耦合效应的系统考察,同时将相似变换后的常微分方程组嵌入随机人工智能神经网络进行求解的方法尚不成熟,数据集的系统性构建、训练–验证–测试流程以及严格的统计认证机制仍有待完善。
研究人员针对上述问题开展了系统研究,其核心目标在于:建立数学严谨的Cross纳米流体模型(CNFM)框架;运用相似变换将控制偏微分方程转化为常微分方程组;采用基于随机人工智能的Levenberg–Marquardt神经网络进行求解;利用Adam优化技术构建经验证的数据集;并通过统计与图形验证程序严格认证算法的可靠性。该研究发表于《Results in Surfaces and Interfaces》期刊,其重要意义在于将智能计算与非线性输运理论深度融合,提升了化学反应、活化能依赖的非稳态三维纳米流体流动问题的预测能力、计算效率与可靠性。
研究中采用的主要关键技术方法包括:基于基本物理假设建立二维磁流体动力学驻点流动的数学模型,该模型考虑Cross纳米颗粒在连续介质中的运动,采用Darcy–Forchheimer关系式描述多孔介质中的流动阻力,同时耦合热泳与布朗运动扩散机制,并考虑化学反应、熔化效应及黏性耗散对溶质分析与热传输的影响;通过引入无量纲相似变量实现控制方程的降维处理,将偏微分方程组转化为三阶耦合非线性常微分方程组;构建多层前馈神经网络架构,以Levenberg–Marquardt算法作为权重训练机制,采用MATLAB神经网络工具箱实现模型部署,数据集的构建依赖于Mathematica软件的ND-Solve数值技术,生成包含101组输入的速度、温度与浓度分布数据,并按照71%、15%、15%的比例划分为训练集、验证集与测试集;模型性能通过均方误差、梯度监控、Mu参数调节及验证失败次数等指标进行系统评估。
研究结果部分可归纳为以下六个方面:
一、均方误差性能分析。图5(a)-(f)展示了六种场景下LMB算法的均方误差演化曲线,最优验证性能分别达到5.4272×10
-9(268轮迭代)、5.3145×10
-9(178轮迭代)、1.8664×10
-10(753轮迭代)、3.0778×10
-9(238轮迭代)、4.4083×10
-10(355轮迭代)及3.8474×10
-9(296轮迭代),表明算法在不同参数组合下均能实现快速收敛。
二、训练状态监控。图6(a)-(f)呈现了各场景的训练状态变化,验证失败次数在不同区间内波动,反映出模型学习过程中的稳定性特征。
三、函数拟合评价。图7(a)-(f)展示了目标值与网络输出的函数拟合效果,误差范围控制在(-2, 2)至(-5, 5)之间,验证了神经网络对非线性映射关系的捕捉能力。
四、误差直方分析。图8(a)-(f)基于20个分箱绘制误差分布直方图,显示误差集中分布于较小范围内,如场景一至场景六的误差区间分别为-1.3×10
-5至7.22×10
-6、-1.7×10
-5至7.68×10
-6、-1.6×10
-6至4.65×10
-6、-4.8×10
-6至5.64×10
-6、-1.0×10
-6至4.46×10
-6以及-1.0×10
-5至7.51×10
-6,表明预测结果具有高度一致性。
五、回归分析验证。图9至图14分别展示了六种场景下的回归分析曲线,训练、验证及测试数据点紧密分布于对角线附近,相关系数接近1,证实了模型的泛化能力与预测精度。
六、物理场参数影响规律。图15(a)显示速度分布随拉伸比参数增加而增大,归因于壁面附近动量扩散增强;图16(a)表明普朗特数(Pr)增大导致速度降低,源于热扩散率减小;温度场随布朗运动参数及热泳参数增大而升高,反映了纳米颗粒引发的能量输运强化;浓度场随施密特数(Sc)增大而降低,说明质量扩散率减小抑制了溶质传递。
讨论部分,研究人员指出低均方误差值意味着在不同物理约束条件下热质传递预测的高可靠性,图形化产物与参考数据的对比确认了模型的有效性、正确性与收敛性。将人工智能技术融入MATLAB计算环境,不仅获得了完整的数值结果,更实现了智能指标向物理含义的转化。
研究结论部分翻译如下:本研究提出了一种用于分析非稳态磁流体动力学Carreau纳米流体模型(CNFM)的智能计算框架,该模型考虑了热辐射与变黏度效应,流体流经可拉伸表面。通过相似变换将控制非线性偏微分方程组降阶为常微分方程组,并采用集成MATLAB人工神经网络与Levenberg–Marquardt反向传播算法的混合方法进行求解,同时以传统ND-Solve数值求解器进行验证。该模型系统考察了磁参数、热导率、普朗特数、热源参数、曲率参数、施密特数及布朗运动参数等关键物理参数对多种物理场景下速度、温度和浓度分布的影响。结果表明,机器学习的LMB神经网络提供了高度精确的近似解,均方误差值达到10
-10至10
-9量级,确认了强收敛性与预测能力。求解器的鲁棒性进一步通过回归分析、误差直方图、收敛曲线及性能分析得以验证,数据集采用71%训练、15%验证、15%测试的分割策略,基于10神经元隐藏层架构。与传统求解器相比,机器学习增强框架具有计算效率提升、降低迭代离散化依赖、增强泛化能力及可靠参数敏感性分析等优势,凸显了机器学习技术与非线性非牛顿磁流体动力学纳米流体建模融合的价值。从物理分析角度,主要发现包括:速度分布随曲率参数增大而增加,而较高普朗特数降低速度分布;温度分布随布朗运动参数与普朗特数增大而增强;浓度分布随施密特数与普朗特数增大而降低;所有六种建模情景均通过数值与图形一致性得到验证。总体而言,研究确认基于LMB的神经网络可作为非线性CNFM系统的可靠高效智能求解器。未来研究方向包括:引入物理信息神经网络(PINNs)将控制方程直接嵌入损失函数以增强物理一致性;结合实验或真实纳米流体数据强化预测验证;探索更深或自适应神经架构以提升高维与多物理问题的可扩展性;将该方法应用于涉及反应性纳米流体、生物医学流动及能源传输系统的瞬态工业过程。通过将先进机器学习技术与非线性流体力学深度融合,本工作为复杂输运现象的下一代智能求解器奠定了 foundation。