使用Sigmoid和Fibonacci神经网络的电学驱动的Casson混合纳米流体的无监督机器学习解决方案:一种生物医学方法

科学领域:

• 流体动力学
• 纳米技术
• 生物医学工程

背景情况:

• 研究卡森液体 (基于血液的) 混合纳米流体的电传输 ($\mathrm{Fe}2O3-\mathrm{Cu}).$
• 考虑电磁场,欧姆加热和不对称的多孔通道中的滑动条件.

研究的目的:

• 在各种物理条件下模拟和分析混合纳米流体的行为.
• 为了比较无监督的基于Sigmoid的神经网络 (SNN),基于Fibonacci的神经网络 (FNN) 和它们的混合模型 (FSNN) 的性能.

主要方法:

• 使用无监督的SNN,FNN和FSNN来解决管理方程.
• 使用低雷诺数和长波长近似值.
• 进行神经网络模型的比较性能分析.

主要成果:

• 与SNN和FNN相比,FSNN具有更高的准确性和稳定性.
• 温度受格拉斯霍夫数,布林克曼数,热源/散热器,卡森参数,孔隙性和速度滑动的影响.
• 压力梯度受到Gr,ρ,U和Hartmann数的影响.

结论:

• 强调FSNN在模拟复杂流体运输方面的有效性.
• 强调电磁场和混合纳米流体在增强微流体,生物医学和热管理系统中的作用.