一种混合机器学习算法,用于通过垂直倾斜的拉伸表面研究含有旋转微生物的磁化纳米流体流

科学领域:

• 流体动力学 流体动力学
• 计算科学 计算科学
• 纳米技术 纳米技术

背景情况:

• 流体动力学的传统数值方法往往产生离散的解决方案,限制了准确性.
• 高仿真时间和计算成本阻碍了数字方法的应用.
• 了解纳米流体流与磁动力学和微生物的理解对于各种工程应用至关重要.

研究的目的:

• 开发一种基于有限元素的新型混合机器学习算法 (LMBNN),用于分析纳米流体流.
• 为了获得连续函数的解决方案,克服离散数值方法的局限性.
• 为了尽量减少模拟时间和流体动力学分析中的计算费用.

主要方法:

• 一个基于有限元素的混合机器学习算法 (LMBNN) 使用Levenberg-Marquardt方案与反向传播.
• 用有限元法 (FEM) 生成LMBNN的最小参考数据集.
• 使用表面图表分析流量参数,包括速度,温度,纳米粒子度和移动微生物密度.

主要成果:

• 通过回归分析和错误组图分析,LMBNN算法证明了它的有效性和可靠性.
• 增加的布朗运动和热泳参数导致更高的温度.
• 较高的普兰特尔数减少了运动微生物的密度,而增加的多孔性则改善了它.

结论:

• 拟议的LMBNN算法为分析复杂的流体动力学问题提供了一种高效准确的方法.
• 成功获得了连续解决方案,解决了传统数值方法的一个关键局限性.
• 该研究提供了关于纳米流体在磁动力学下的行为以及微生物在多孔介质中的影响的见解.