在磁化多孔介质中的二元化学反应中探索纳米粒子动力学:一项计算分析
Saleem Nasir1,2, Abdallah Berrouk3,4, Asim Aamir5,6
1Mechanical and Nuclear Engineering Department, Khalifa University of Science and Technology, P.O. Box 127788, Abu Dhabi, United Arab Emirates. saleem.nasir@ku.ac.ae.
Scientific reports
|October 27, 2024
概括
这项研究使用人工神经网络 (ANN) 与莱文伯格-马奎特算法来准确模拟混合纳米流体中的热传递. 这些发现证实了ANN的存在.
科学领域:
- 计算流体动力学 计算流体动力学
- 热传递是一种热传递.
- 纳米流体的使用方法
背景情况:
- 人工神经网络 (ANN) 在复杂的数学问题上表现出色.
- 混合纳米流体为各种应用提供了增强的热性能.
- 精确的热传递建模对于工程应用至关重要.
研究的目的:
- 为了研究使用反向传播ANN与热传递分析的莱文伯格-马奎特算法.
- 通过计算分析MGO+GO/EG混合纳米流体在指数式拉伸板上的混合对流流.
- 评估滑动条件,热量产生和热辐射对传热的影响.
主要方法:
- 开发了一个使用ANN和Levenberg-Marquardt算法的计算模型.
- 用相似性转换将部分微分方程转换为普通微分方程.
- 使用bvp4c方法生成的基准数据集用于ANN的培训,测试和验证.
- 使用平均平方误差,误差历史图和回归分析验证了ANN模型.
主要成果:
- 该ANN模型显示出与数值结果的突出一致.
- 该方法有效地处理热传递中的非线性问题.
- 流动特性 (温度,速度,度) 被准确地预测.
- 提供了流动特征的图形和数值表示.
结论:
- ANN方法是分析混合纳米流体中的热传递的可靠工具.
- 了解混合纳米流体中的热传递对于药物输送,微电子和核冷却中的应用至关重要.
- 该研究强调了在各种条件下分析混合纳米流体行为的实际重要性.
更多相关视频
06:37Analyzing Melts and Fluids from Ab Initio Molecular Dynamics Simulations with the UMD Package
Published on: September 17, 2021
4.4K
08:42Determination of Zeta Potential via Nanoparticle Translocation Velocities through a Tunable Nanopore: Using DNA-modified Particles as an Example
Published on: October 26, 2016
12.1K