Soluciones de aprendizaje automático sin supervisión para el flujo de nanofluidos híbridos de Casson impulsados...

Área de la Ciencia:

• Dinámica de fluidos
• Nanotecnología
• Ingeniería biomédica

Sus antecedentes:

• Investiga el transporte peristáltico electroosmótico del fluido de Casson (basado en sangre) nanofluido híbrido ($\mathrm{Fe}2O3-\mathrm{Cu}$).
• Considera los campos eléctricos / magnéticos, el calentamiento ohmico y las condiciones de deslizamiento en un canal poroso asimétrico.

Objetivo del estudio:

• Para modelar y analizar el comportamiento de los nanofluidos híbridos en diversas condiciones físicas.
• Para comparar el rendimiento de las redes neuronales basadas en sigmoides sin supervisión (SNNs), las redes neuronales basadas en Fibonacci (FNNs) y su modelo híbrido (FSNNs).

Principales métodos:

• Utiliza SNNs sin supervisión, FNNs y FSNNs para resolver ecuaciones de gobierno.
• Utiliza un número bajo de Reynolds y aproximaciones de longitud de onda larga.
• Realiza un análisis comparativo del rendimiento de los modelos de redes neuronales.

Principales resultados:

• Los FSNN demuestran una precisión y estabilidad superiores a las SNN y FNN.
• La temperatura está influenciada por el número de Grashof, el número de Brinkman, la fuente de calor / sumidero, el parámetro de Casson, la porosidad y el deslizamiento de velocidad.
• El gradiente de presión se ve afectado por Gr, U y el número de Hartmann.

Conclusiones:

• Destaca la eficacia de las FSNN para simular el transporte de fluidos complejos.
• Hace hincapié en el papel de los campos electromagnéticos y los nanofluidos híbridos en la mejora de los sistemas de gestión microfluídica, biomédica y térmica.