基于ANN与bvp4c的耗散热和对流条件下Ag-Au/血液混合纳米流体流动轮廓的预测分析

《South African Journal of Chemical Engineering》:Predictive analysis of flow profiles of Ag-Au/blood hybrid nanofluid using ANN with bvp4c for the combined impact of dissipative heat and convective condition

【字体: 大 中 小 】 时间:2026年03月30日 来源:South African Journal of Chemical Engineering 6.3

编辑推荐:

  对混合纳米流体(hybrid nanofluid)的预测性仿真在生物医学和能量传输系统中因其优越的传热性能而日益重要。特别是,含有金属纳米颗粒的血液基混合纳米流体在靶向药物递送、治疗性冷却、热疗治疗等方面显示出显著潜力。本模型聚焦于通过多孔基底受横向磁化(tr

  
对混合纳米流体(hybrid nanofluid)的预测性仿真在生物医学和能量传输系统中因其优越的传热性能而日益重要。特别是,含有金属纳米颗粒的血液基混合纳米流体在靶向药物递送、治疗性冷却、热疗治疗等方面显示出显著潜力。本模型聚焦于通过多孔基底受横向磁化(transverse magnetization)和耗散热(dissipative heat)影响的Ag-Au/血液混合纳米流体的预测分析。此外,引入热辐射(thermal radiation)的对流热边界条件(convective thermal boundary condition)增强了混合构型的热物理效率,从而促进优越的传热性能。焦耳耗散(Joule dissipation)和达西耗散(Darcy dissipation)的实施加剧了系统内的温度梯度。针对所提假设相互作用构建的数学模型通过相似规则转化为标准无量纲形式,随后利用bvp4c数值算法与数据驱动的神经架构(ANN)的预测设计同时处理。该模型使用计算数据进行开发和训练,以预测速度轮廓和热轮廓的比较表示,展示不同流动控制参数对系统行为的影响。人工神经网络(ANN)采用Levenberg反向传播算法,以最小均方误差(mean square error)实现了高预测精度。ANN模型分别以1.0947×10??、9.4038×10?11和2.0535×10??的极低验证误差准确预测了轴向(axial)、横向(transverse)和温度轮廓。梯度值分别为1.4505、9.227×10??和9.8642×10??,展现了快速收敛和强模型稳定性。ANN输出与数值结果高度一致(R ≈ 1),证实了模型的高精度和鲁棒性。
在生物医学和能量传输系统中,混合纳米流体因其优越的传热性能而日益受到关注。单纳米颗粒流体常面临导热增强有限、稳定性差和粘度较高等局限,而混合纳米流体通过组合多种纳米颗粒的优势,能显著提升热物理性能。本研究针对血液基混合纳米流体(Ag-Au/血液)在多孔基底上的流动与传热行为,考虑横向磁化、耗散热(包括焦耳耗散和达西耗散)及对流热边界条件的综合影响,结合热辐射效应,旨在通过数值模拟与人工神经网络(ANN)预测分析其轴向速度、横向速度和温度分布特性。该研究发表在《South African Journal of Chemical Engineering》。

研究人员首先建立了描述稳态、不可压缩、磁流体动力学(MHD)Ag-Au/血液混合纳米流体通过多孔可渗透延伸表面的数学模型,考虑连续性方程、动量方程(含磁场力、多孔阻力)和能量方程(含粘性耗散、焦耳耗散、达西耗散、热辐射和热源)。通过相似变换将偏微分方程组转化为常微分方程组,并利用MATLAB内置的bvp4c数值算法求解。同时,基于bvp4c计算得到的150组数据,采用包含输入层、隐藏层和输出层的三层ANN模型进行训练、测试和验证,使用Levenberg反向传播算法优化,将70%数据用于训练,15%用于测试,15%用于验证。研究的关键技术方法包括:1)采用bvp4c算法进行高精度数值求解;2)利用Levenberg反向传播算法的ANN模型进行数据驱动的预测分析;3)对数值解与ANN预测结果进行交叉验证与回归分析。样本数据来源于数值模拟,而非具体临床来源。

研究结果部分包括以下内容:

**Parametric analysis(参数分析)**:通过图形展示了各无量纲参数对轴向速度f′(χ)、横向速度g′(χ)和温度θ(χ)的影响。

- **渗透率Kp的影响**:当Kp从0.01增至0.04时,多孔介质的阻力使轴向和横向速度均降低,温度分布升高。ANN预测与bvp4c结果高度吻合。

- **磁参数M的影响**:M在0.01~0.03范围内增大时,洛伦兹力抑制动量,导致速度轮廓下降,而温度分布上升。数值解与ANN预测完全重叠。

- **银纳米颗粒浓度?1和?2的影响**:当?1增大时,轴向速度增强但横向速度下降,温度因导热增强而上升;?2增大时,速度与温度均增强。ANN结果与数值数据一致。

- **吸吮参数S的影响**:S从0.1增至0.3时,轴向速度减缓,横向速度增强,流体温度下降。ANN成功训练了数值数据。

- **毕奥数Bi、埃克特数Ec、热源参数H和热辐射参数Rd的影响**:Bi(0~0.5)增大促进温度升高;Ec(0~0.02)增大提升流体动能与温度;H(0~0.03)增大使热源增强,温度持续上升;Rd(0~0.5)增大通过热辐射提升热能。所有结果中ANN与bvp4c均表现出高度一致性。

**ANN模型性能**:模型最佳验证误差分别为轴向速度1.0947×10??(第9轮)、横向速度9.4038×10?11(第18轮)、温度2.0535×10??(第270轮)。梯度值分别为1.4505(第15轮)、9.227×10??(第19轮)、9.8642×10??(第270轮),显示快速收敛。回归分析中R值趋近于1,证实ANN预测与数值结果强相关。

总结讨论部分指出,bvp4c数值解与ANN预测的密切一致性验证了两种技术的鲁棒性。研究结论如下:较高的渗透率降低速度但升高温度;磁场减缓流速并增强热传递;增大银和金纳米颗粒浓度提高热导率和温度;较强吸吮降低速度和温度;较高Bi数和Ec数增强生热;较大辐射和热输入提升流体能量;ANN模型实现轴向速度1.0947×10??、横向动量9.4038×10?11、温度2.0535×10??的最佳验证误差,展示出色预测精度;梯度值1.4505×10??、9.227×10??、9.8642×10??以及R值接近1,证实ANN预测与数值结果的强拟合,验证了模型的鲁棒性和精确性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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