基于数据的威廉姆森纳米流体流动中表面传输量的预测:采用混合数值神经方法
亚西尔·纳瓦兹(Yasir Nawaz),
纳比尔·克尔迪德(Nabil Kerdid),
穆罕默德·肖艾布·阿里夫(Muhammad Shoaib Arif)和
迈拉杰·比比(Mairaj Bibi)
《Axioms》:Data-Driven Prediction of Surface Transport Quantities in Williamson Nanofluid Flow via Hybrid Numerical Neural Approach
Yasir Nawaz,
Nabil Kerdid,
Muhammad Shoaib Arif and
Mairaj Bibi
【字体:
大
中
小
】
时间:2026年03月21日
来源:Axioms 1.6
编辑推荐:
摘要
本研究提出了一种高效且精确的两阶段显式计算方案,用于求解包含一阶时间导数的偏微分方程(PDEs)。所提出的方法是经典Runge-Kutta方案的改进版本,引入了一
摘要
本研究提出了一种高效且精确的两阶段显式计算方案,用于求解包含一阶时间导数的偏微分方程(PDEs)。所提出的方法是经典Runge-Kutta方案的改进版本,引入了一种新的第一阶段计算方法。这种方法在保持经典方法稳定性区域的同时,能够通过适度的步长最小化数值误差。空间离散化采用六阶紧致有限差分方案来实现高分辨率解。对稳定性和收敛性的分析严格针对对流-扩散型方程的标量和系统形式进行。为了说明该方法的适用性,考虑了一个无量纲数学模型,该模型描述了普朗特型非牛顿纳米流体在里加板上进行的不稳态、不可压缩、层流运动,同时考虑了粘性耗散、热泳、布朗运动和磁场的影响。这里,普朗特三元纳米流体被定义为遵循普朗特流变模型的非牛顿纳米流体,它表现出三种关键的传输现象:热传导、粘性耗散和纳米粒子扩散。使用代表性的普朗特数 Pr = 3 和雷诺数 Re = 5 进行模拟,并通过改变其他参数(包括但不限于哈特曼数 Ha、威廉森数 We、热泳系数 Nt 和布朗运动系数 Nb)来评估流体行为。此外,还开发了一个基于人工神经网络(ANN)的替代模型,该模型使用五个输入参数(雷诺数、普朗特数、施密特数、布朗运动参数和热泳参数)来计算摩擦系数和局部谢伍德数。用于训练替代模型的数值数据来自控制偏微分方程的仿真结果。数据分为80%用于训练、10%用于验证和10%用于测试。通过回归分析和误差直方图对ANN进行了测试,结果表明其具有高精度和良好的泛化能力。数值模拟结合基于AI的预测是一种能够实时估计复杂非牛顿纳米流体系统的成本高效方法。
生物通微信公众号
生物通新浪微博
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