《Energy Conversion and Management: X》:Neural network-based analysis for radiative entropy induced rheological material
编辑推荐:
本文研究了具有辐射、热生成和化学反应的磁流体动力学(MHD)拉伸薄片流动中的熵生成问题。研究人员采用二阶截断方法将偏微分方程组转化为常微分方程组,并利用bvp4c数值求解器和人工神经网络(ANN)进行求解。研究发现,速度随磁场变量(M)的增加而减小,这是由于洛
本文研究了具有辐射、热生成和化学反应的磁流体动力学(MHD)拉伸薄片流动中的熵生成问题。研究人员采用二阶截断方法将偏微分方程组转化为常微分方程组,并利用bvp4c数值求解器和人工神经网络(ANN)进行求解。研究发现,速度随磁场变量(M)的增加而减小,这是由于洛伦兹力(Lorentz force)增强所致;速度随材料变量(α)的增加而增加,这归因于粘弹性特征。温度随辐射参数(Rd)和热生成变量(Q)的增加而升高,因为更高的辐射增强了发射能量,而热生成增加了系统能量。浓度随施密特数(Sc)的增加而降低,原因是较大的施密特数降低了溶质扩散率。熵生成率随热生成变量(Q)和辐射参数(Rd)的增加而增大。此外,人工神经网络模型表现出极高的精度,R平方值等于1,验证了该混合方法的可靠性。
本文是对发表在《Energy Conversion and Management: X》上的题为“磁流体动力学(MHD)拉伸薄片流动中辐射、热生成与化学反应用于熵生成的二阶截断与人工神经网络建模”的论文的解读。该研究针对具有辐射、热生成和化学反应的磁流体动力学(MHD)拉伸薄片流动中的熵生成问题展开。目前,对于非线性流动与传热问题的求解往往需要高效的数值方法和新兴的智能算法,传统方法在处理复杂边界条件时存在局限,因此有必要结合人工神经网络(ANN)与经典数值方法进行对比验证。研究人员通过开展二阶截断近似和人工神经网络建模,得出了流动、传热、传质及熵生成的分布规律,并证实了ANN模型的高精度。该研究为优化热系统效率提供了理论依据,具有重要意义。
作者为开展研究主要采用了以下几个关键技术方法:首先,引入相似变换将控制偏微分方程转化为无量纲常微分方程;其次,应用一阶和二阶截断方法简化方程,忽略关于ξ的高阶导数项;接着,利用MATLAB中的bvp4c数值求解器求解简化后的边值问题;最后,构建人工神经网络(ANN)模型,采用Levenberg-Marquardt(LM)算法进行训练,并将数据集按70%训练、15%验证和15%测试进行分类,以预测流动、温度和浓度场。
熵生成率:研究人员建立了局部熵生成率(SG)的表达式,并推导了其无量纲形式(NG),其中包含了温度比变量(α1)、扩散变量(L)等参数,用于量化流动过程中的不可逆性。
有趣的量:定义了摩擦系数(Cfx)雷诺数(Rex)乘积、努塞尔数(Nux)雷诺数乘积和舍伍德数(Shx)雷诺数乘积等物理量,给出了其无量纲表达式,这些量与壁面剪切应力、热通量和质量通量直接相关。
求解方法论:
- •
一阶截断:省略关于ξ的导数,得到简化的常微分方程组,其中包含材料变量(α)、磁场变量(M)、普朗特数(Pr)、热生成变量(Q)、施密特数(Sc)和化学反应用变量(γ)。
- •
二阶截断:引入辅助函数b、c、d*分别表示f、θ、?对ξ的偏导数,推导出一阶和二阶导数的方程,并通过省略高阶项得到关于这些辅助函数的封闭方程组。
数值方法:研究人员将高阶常微分方程组转化为一阶方程组,利用bvp4c程序进行求解,并设置了相应的边界条件。
人工神经网络方法:研究人员采用人工神经网络(ANN)建模,该网络包含输入层、隐藏层和输出层,利用反向传播调整权重和偏差,采用Levenberg-Marquardt(LM)算法最小化误差,并将数据分为训练集(70%)、验证集(15%)和测试集(15%)。
结果验证:研究人员将当前计算的努塞尔数(Rex-1/2Nux)与Afridi等人的结果进行了比较,发现两者具有良好的一致性,验证了数值方法的准确性。
讨论:研究人员讨论了磁场变量(M)对速度的影响,发现速度随M增加而减小,这是由于洛伦兹力增强。材料变量(α)则使速度增加,归因于粘弹性。辐射参数(Rd)和热生成变量(Q)均使温度升高,前者因辐射发射增强,后者因内部热源。施密特数(Sc)增大会降低浓度。熵生成率随Q和Rd增大而增加。人工神经网络(ANN)模型表现出极高精度,均方误差(MSE)达到10-10量级,梯度值约为10-8,R平方等于1,表明预测与数值结果完美吻合。
结论:主要结论如下:磁场和材料变量对速度的影响相反;辐射增强导致温度和熵生成率上升;热生成和辐射对温度场影响相似;较大施密特数使浓度降低;热生成变量增强熵生成率;bvp4c-ANNLMS模型在聚类接近中心线时更准确;均方误差(MSE)趋近于零表明训练误差可忽略;梯度值分别为9.5738e-8、9.9118e-8、9.6232e-8和9.9254e-8,对应特定迭代次数;人工神经网络(ANN)模型的R平方等于1,证实其可靠性;对比研究显示ANN与bvp4c结果高度一致。