基于人工神经网络的磁流体混合纳米流体在旋转锥体上的流动与传热特性研究

《Engineering Applications of Artificial Intelligence》：Artificial neural network analysis of magnetohydrodynamics hybrid nanofluid flow over a convectively heated vertical cone in presence of chemical reaction effects

本文综述了Casson混合纳米流体在垂直旋转锥体上的非稳态流动、传热与传质特性，结合磁流体动力学（MHD）、热辐射和化学反应效应，通过相似变换和Runge-Kutta-Fehlberg数值方法求解控制方程，并创新性地应用人工神经网络（ANN）进行数据分析和模型预测，为高效换热器、能源存储等工程应用提供新见解。

　　

Highlight

网格无关性分析和结果验证

在特定情况下（当A=0、Ri=0、S=0、φ₁=φ₂=0且δ₁=0时），我们计算了不同磁参数下-f″(0)和-g′(0)的数值，并与Sparrow和Cess及Chamkha和Al-Mudhaf（2005）的结果进行对比验证。如表2所示，我们的结果与上述研究者的数据高度吻合，表明所用数值方法可靠且精确。

结果与讨论

本节将展示研究中的核心发现，通过图表呈现不同无量纲参数对流动、温度和浓度剖面的影响，并对两种流体（Casson纳米流体与Casson混合纳米流体）的工程参数进行对比分析。计算中固定参数见表4，若参数有变将另行说明。

方位角速度剖面（AVP）讨论

图8展示了方位角速度与非稳态参数（A）的关系。非稳态参数会影响速度剖面和动量边界层厚度——随着A值增大，方位角速度明显下降（图8）。图9进一步显示，当滑移速度参数（δ₁）增大时，方位角速度也呈现递减趋势，这反映了锥体表面与混合纳米流体（HNF）之间的相对滑移效应。

浓度剖面讨论

图12表明，随着非稳态参数（A）增大，纳米颗粒的浓度分布趋于降低。这是因为非稳态条件下增强的扩散和混合作用促进了颗粒更均匀分布，从而局部浓度下降。同时，非稳态参数也会减小边界层厚度。

温度剖面讨论

图14描绘了非稳态参数对温度剖面的影响。在垂直锥体上，温度受非稳态效应显著：随着非稳态作用增强，温度通常因对流传热机制改善而下降。流动的不稳定性削弱了流体的蓄热能力，使热量更集中于锥面附近，导致热边界层变薄。

ANN模型

我们在MATLAB软件中采用"nnstart"命令，基于Levenberg-Marquardt算法（LMA）执行人工神经网络（ANN）建模。当前ANN模型结构如图18所示，包含15个输入节点、10个隐藏层和5个输出节点。数据集的70%用于训练，15%用于验证，其余15%用于测试。本研究数据集通过MATLAB生成，并结合RKF数值解进行网络训练。

结论

本研究成功将ANN应用于分析垂直旋转锥体（VRC）上的部分滑移和化学反应效应，并有效采用RKF方法求解微分方程（DEs），结合智能计算策略取得显著成果。该发现在高温工艺、冷却技术、空间科技、涂料、药物传递、导电涂层、生物传感器等领域具有广泛应用潜力。主要结论包括：

• •
  切向速度剖面（TVP）随非稳态参数增大而增强，其他剖面则减弱。
  （注：原文结论部分列表未完整截取，此处仅翻译可见内容）

未来展望

• •
  可拓展至其他非牛顿流体模型（如微极流体、Maxwell流体、Jeffrey流体、Sisko流体）。
• •
  几何模型可延伸至平行板、圆柱、圆盘、平板、楔形等结构。
• •
  可采用其他数值或解析方法进一步深化研究。
• •
  可尝试不同纳米流体组合。
• •
  可补充稳定性、敏感性及统计分析。