《Results in Engineering》:Application of Physics-Informed Neural Networks for Nonlinear Slip Flow Analysis in a Curved Microchannel
编辑推荐:
现代工程应用如微流控芯片、微泵和热管理系统对微尺度系统中的流体流动与传热控制提出了高精度与计算效率并重的需求。本研究旨在探讨在非线性滑移边界、磁场、可变粘度、焦耳加热及化学反应共同作用下,弯曲微通道中由纤毛驱动的非牛顿Rabinowitsch流体的非线性输运机
现代工程应用如微流控芯片、微泵和热管理系统对微尺度系统中的流体流动与传热控制提出了高精度与计算效率并重的需求。本研究旨在探讨在非线性滑移边界、磁场、可变粘度、焦耳加热及化学反应共同作用下,弯曲微通道中由纤毛驱动的非牛顿Rabinowitsch流体的非线性输运机制。研究基于长波长近似和低雷诺数假设对控制方程进行简化,并利用BVP4c方法获得高精度的数值解作为基准。为提升计算效率并保证物理一致性,研究构建并训练了物理信息神经网络(Physics-Informed Neural Network, PINN),该网络利用BVP4c产生的数据集进行训练,同时嵌入物理定律约束。研究详细分析了关键参数对速度、温度、浓度及压力梯度的影响。结果表明,磁场和粘度变化会抑制流体运动,而滑移效应则能增强流动输运能力。提出的BVP4c-PNN混合框架兼具高精度与快速预测能力,为微流控系统的实时分析与设计优化提供了有力工具。
近年来,微尺度系统中的流体控制与热管理在现代工程应用中扮演着关键角色,特别是在实验室芯片、微泵及热管理系统中。由于生物启发的纤毛驱动机制在受限几何空间内具有高效流体推进和混合的潜力,其研究日益受到重视。然而,现有研究多集中于简化物理模型或传统数值方法,缺乏对复杂多物理场耦合的全面建模。为此,研究人员开展了一项关于弯曲微通道中Rabinowitsch非牛顿流体纤毛驱动流动的研究,旨在建立一种融合多物理效应与人工智能的高效计算框架。该研究主要采用长波长近似和低雷诺数假设简化控制方程,利用BVP4c数值求解器获取基准解,并训练物理信息神经网络(PINN)以实现快速预测,同时保留微通道的曲率特性、非线性滑移边界条件以及化学反应模型。
在“结果与讨论”部分,研究人员首先通过误差直方图和损失函数收敛曲线验证了PINN模型相对于BVP4c数值解的高精度与稳定性。随后,深入分析了各物理参数对流动特性的影响。在速度分布方面,研究发现Rabinowitsch流体参数β的增加因剪切变稀效应而降低有效粘度,从而增强轴向速度;相反,可变粘度参数?的增加加剧了壁面附近的粘性阻力,导致速度降低;哈特曼数(Hartmann number, Ha)的增加因洛伦兹力的阻尼作用而抑制流动;而非线性滑移参数γ的提高则通过减弱壁面摩擦增强了流体运动。在压力梯度方面,β的增加降低了所需压力梯度,而?和Ha的增加则因阻力增大而提高了压力梯度。在温度分布方面,Brinkman数(Brinkman number, Br)的增加因粘性耗散加剧而显著提升温度,而Ha的增加则因对流传热受抑而降低温度。在浓度分布方面,均相反应加速了反应物消耗,而异相反应则在壁面附近增加了局部浓度。流线分析显示,β的增加扩大了捕获流体团(trapped bolus)的尺寸,而?的增加则抑制了回流区域。
在讨论部分,研究人员指出提出的BVP4c-PINN混合框架不仅验证了传统数值方法的准确性,还展示了人工智能在加速复杂多物理场模拟中的潜力。研究结论总结为:Rabinowitsch流体的剪切变稀特性有助于动量扩散;磁场通过洛伦兹力产生磁阻尼作用;可变粘度增加了壁面附近的流动阻力;滑移边界条件通过减少摩擦增强了近壁面流速;Brinkman数通过粘性耗散显著影响热分布;而磁场抑制了对流传热。该研究为微流控器件、芯片实验室系统及磁控流动系统的工程设计提供了重要的理论依据和技术支持。