Hybrid LMANN Framework for Predicting Bioconvective Buongiorno Casson Nanofluid Flow over a Riga Plate
本文开发并验证了一种混合 Levenberg–Marquardt 人工神经网络（LMANN）框架，该框架通过利用 MATLAB bvp5c 求解器的数值解作为训练数据，能够准确预测经过 Riga 板的复杂生物对流 Buongiorno Casson 纳米流体流动。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在工程与制造领域，流体很少像水那样简单。许多工业中使用的材料——从粘稠的润滑剂、钻井泥浆到生物悬浮液以及熔融聚合物——其流动并非始终保持恒定的顺畅度。相反，它们对运动的阻力会随着受到的推力或拉力的变化而改变。科学家称这些为非牛顿流体，理解它们的运动方式对于从表面涂层到电子元件冷却等各个领域都至终关重要。为了增加复杂性，工程师经常在这些流体中混合微小的固体颗粒（称为纳米颗粒），以增强其携带热量的能力。当这些混合物同时受到磁场作用或含有具有游泳能力的活体微生物时，物理过程就变成了一张由相互作用力交织而成的复杂网络。由于控制流动的方程具有高度非线性，即一个因素的微小变化可能会导致整个系统发生不可预测的转变，因此精确预测此类流体在这些条件下的行为是非常困难的。
一个研究团队通过开发一种新方法，来预测一种特定复杂流体混合物在特殊表面上的行为。他们研究的重点是一种结合了卡森流体（Casson fluid，即在施加一定力量前表现得像厚浆料的流体）和威廉姆森流体（Williamson fluid，即表现出弹性特征的流体）特性的流体。这种混合物在里加板（Riga plate）上流动，里加板是一种配备了电极和磁铁的表面，能够产生特定的电磁力来控制流体的运动。该研究还考虑了运动微生物的存在（这些微生物在流体中游泳并产生自身的电流），以及激活能的影响（激活能影响系统内化学反应的进行过程）。为了解决这一问题，研究人员首先使用传统的数值方法计算了流体的速度、温度以及颗粒和微生物的浓度。随后，他们利用这些计算结果训练了一个混合人工智能模型，具体是一个列文伯格-马夸特人工神经网络（Levenberg–Marquardt artificial neural network）。这个计算机系统学习了数据中的模式，使其能够在无需每次都从头求解复杂方程的情况下，快速且准确地预测流体的行为。
研究人员发现，里加板产生的电磁力起到了强大的制动作用，有效地控制了流体运动最快的边界层。然而，流体自身的内部阻力也起到了重要作用。增加定义流体粘度和弹性的参数（如卡森参数和威廉姆森参数）会显著减缓流动。相反，当由温差和微生物的存在引起的浮力增强时，流体速度会加快。研究还揭示了热量和质量在该系统内的传输方式。热辐射和纳米颗粒的随机运动等因素倾向于提高流体温度，而通过表面的流体吸入或较高的普朗特数（与热扩散难易程度相关）则会使其降温。活体微生物的存在增加了另一层复杂性；它们的运动受流速和其它颗粒浓度的影响，在生物活动与物理传输之间形成了一种动态平衡。
为了确保这种新的预测工具可靠，团队对其进行了严格测试。他们将神经网络的预测结果与之前计算出的详细数值解进行了对比。结果显示，人工智能模型对速度、温度和浓度分布的预测与数值解几乎完全吻合，误差极小。该模型成功学习了各种物理参数与由此产生的流动行为之间的复杂关系。例如，当研究人员增加代表化学反应能垒的激活能时，模型正确地预测了纳米颗粒浓度和微生物密度的上升，因为消耗它们的化学反应减慢了。同样，模型也准确捕捉到了增加热弛豫时间（考虑了热传播延迟）如何降低表面温度梯度的现象。
该研究证实，这种结合了传统数值模拟与机器学习的混合方法，为模拟这类复杂的生物对流提供了稳健且高效的方式。神经网络收敛迅速，在数秒内便学习到了必要的模式，并证明了它在处理新数据时具有良好的泛化能力。这意味着该模型不仅仅是在死记硬背训练过的特定案例，而是真正理解了底层的物理机制。研究人员得出结论，该框架为分析类似的非线性传输问题提供了一个强大的计算工具。通过精确预测这些复杂流体的行为，工程师可以更好地设计用于热管理、化学加工以及生物医学应用等领域中的系统，在这些领域中，控制复杂含颗粒流体的流动至关重要。这项工作弥合了重型数学建模与快速数据驱动预测之间的鸿沟，为处理现代工业流体中复杂的物理过程开辟了一条路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。