《Materials Today Communications》:Data-Driven BPLM Algorithm for Machine Learning Analysis of Convection Flow in PHNF-Hexanol over a PSS with Quadratic Wall Temperature under Heat Generation and Solar Radiation
编辑推荐:
在本研究中,研究人员采用人工神经网络反向传播结合Levenberg-Marquardt方法(BPLM算法)来预测以己醇为基液的五混合纳米流体(PHNF)在多孔拉伸表面(PSS)上的磁流体动力学(MHD)流动。研究人员建立了动量和传热的控制方程,并将其作为非线性
在本研究中,研究人员采用人工神经网络反向传播结合Levenberg-Marquardt方法(BPLM算法)来预测以己醇为基液的五混合纳米流体(PHNF)在多孔拉伸表面(PSS)上的磁流体动力学(MHD)流动。研究人员建立了动量和传热的控制方程,并将其作为非线性常微分方程组进行求解。结果表明:随着对流参数(λ)的增加,速度分布增加而温度分布降低;随着孔隙率参数(K)的增加,速度分布降低而温度分布增加;增加磁参数(M)导致速度分布降低和温度分布增加;类似地,随着热生成参数(δ)的增加,速度和温度分布均增加;随着辐射参数(Rd)的增加,温度分布降低,而埃克特数(Ec)的增加导致温度分布增加;随着形状因子(sf)的增加,温度分布降低;最后,增加纳米颗粒体积分数导致速度分布降低和温度分布增加。人工神经网络(ANN)模型展示了其在处理复杂非线性关系方面的有效性,以最小误差提供了准确的预测。该方法被证明是分析具有多影响因素系统中温度分布的有价值工具,在热发电、涂层技术和医疗设备等领域具有潜在应用。该模型的成功强调了机器学习技术在解决复杂工程问题中的潜力。本研究的工作侧重于理解和优化磁流体动力学(MHD)系统的流动行为,这对于工业冷却系统、热交换器和节能制造过程等领域至关重要。
【研究背景与意义】纳米流体通过添加固体纳米颗粒显著增强基液的热导率,在冷却技术、聚合物加工和生物医学等领域具有广泛应用。近年来,混合纳米流体(如二元、三元)的研究逐渐深入,但五混合纳米流体(Penta-Hybrid Nanofluid, PHNF)作为一种包含五种不同纳米颗粒(Al
2O
3、MgO、Cu、Ag、MoS
2)的新型多组分流体,其协同效应可进一步优化热物理性能,相关研究仍十分有限。同时,磁流体动力学(Magnetohydrodynamic, MHD)流动在工程中至关重要,然而现有文献缺乏对PHNF在辐射、粘性耗散和磁场耦合作用下流动行为的系统分析。针对这一研究空白,本研究以己醇为基液,构建了具有二次壁温的多孔拉伸表面(Porous Stretching Surface, PSS)上PHNF的MHD对流边界层流动模型,并采用人工神经网络(Artificial Neural Network, ANN)方法获取高精度预测解。研究结果揭示了各无量纲参数对速度和温度分布的影响规律,展示了ANN在复杂非线性系统建模中的有效性,相关成果对优化热发电系统、涂层技术和医疗设备中的热管理具有重要指导意义。该论文发表在《Materials Today Communications》上。
【主要技术方法】本研究采用以下关键技术:1)边界值问题求解器BVP4C(MATLAB),将控制方程组转化为一阶常微分方程组并离散求解,误差量级为10
-6;2)人工神经网络(ANN)模型,采用两层前馈结构,隐藏层含10个sigmoid节点,输出层为线性,使用Levenberg-Marquardt反向传播算法(BPLM)训练。数据集按70%训练、15%验证、15%测试划分,以均方误差(Mean Squared Error, MSE)和回归R值评估性能。所有数据由数值模拟生成,无实验样本队列。
【研究结果】本研究通过BVP4C数值计算和ANN分析,系统研究了以下参数的影响:
1. 对流参数(λ)的影响:数值结果表明,λ增大时速度分布(f
′)增加,温度分布(θ)降低。ANN分析(图17-18)显示,模型在242-506个训练周期后MSE降至10
-9量级,预测值与目标值高度吻合,误差均匀分布在零线附近。
2. 孔隙率参数(K)的影响:K增大导致速度分布降低、温度分布升高。ANN分析(图19-20)验证了这一趋势,模型在317-492个周期内收敛,误差极小。
3. 磁参数(M)的影响:M增大使速度分布降低、温度分布升高。ANN分析(图21-22)在226-493个周期后达到高精度,预测误差保持在10
-4量级。
4. 热生成参数(δ)的影响:δ增大时速度分布和温度分布均增加。数值模拟表明,热生成增强了浮力并积累热能,从而同时提升速度和温度。
5. 辐射参数(Rd)的影响:Rd增大使温度分布降低,因辐射增强了对流散热。
6. 埃克特数(Eckert Number, Ec)的影响:Ec增大导致温度分布升高,归因于粘性耗散产生的内热源。
7. 形状因子(sf)的影响:sf增大使温度分布降低,因高形状比纳米颗粒增大了比表面积,提升了冷却能力。
8. 纳米颗粒体积分数(φ)的影响:φ增大使速度分布降低(因粘度增加),温度分布升高(因热导率增强和粘性耗散增加)。
上述结果均通过ANN模型得到准确复现,且ANN在训练、验证和测试集上的表现一致,证明其具有良好的泛化能力和低过拟合风险。
【总结与结论】本研究成功建立了PHNF在PSS上MHD流动的数学模型,并利用ANN实现了高精度预测。当前关于具有磁流体动力学(MHD)效应的五混合纳米流体(PHNF)的文献非常有限。本研究通过考虑辐射和粘性耗散等变量对PHNF在多孔拉伸表面(PSS)上MHD对流边界层流动的影响,填补了文献中的空白。研究人员建立了问题的数学方程并将其转化为一组常微分方程(ODEs)。人工神经网络(ANN)方法论的应用使得研究结果具有高度精确性。上述结果表明:随着λ的增加,速度分布升高而温度分布降低;随着K的增加,速度分布降低而温度分布升高;随着M的增大,速度分布降低而温度分布升高;相应地,随着δ的增加,速度和温度分布均升高;随着Rd值的增大,温度分布降低,而Ec的增加导致温度分布升高;随着sf的增大,温度分布降低;最后,纳米颗粒体积分数的增加导致速度分布降低而温度分布升高。同样,研究人员考虑了λ(热导率)、K(运动粘度)和M(传质系数)的影响结果,ANN清晰地展示了其处理这些变量间非线性和复杂性的能力。这归因于ANN在研究中所考虑变量的预测方面表现良好。此外,结果的误差分布表明,ANN的性能与所考虑问题的目标值偏差不大,从而表明所提出的方法具有低过拟合现象,并且能够有效处理问题。另一方面,所提出的使用ANN方法在处理受多种因素影响的复杂系统温度分布方面被证明是高效的。该预测系统在各种变量影响方面的成功为利用机器学习算法进行热相关分析的进一步研究开辟了途径。本研究的发现在多个实际工程应用中具有潜在意义。例如,在热发电系统和热交换器中,五混合纳米流体增强的热导率可以提高传热效率和冷却性能。在涂层和表面处理技术中,对纳米流体在多孔拉伸表面上的流动分析有助于优化制造过程中涂层的均匀沉积。此外,在生物医学和医疗设备应用中,纳米流体越来越多地被考虑用于靶向热管理和受控加热过程,例如基于热疗的治疗和微流体冷却系统。因此,理解磁场、辐射和热生成对PHNF流动的耦合效应有助于在这些技术领域中设计更高效的热管理系统。