《Engineering Applications of Artificial Intelligence》：Computational analysis for thermal and mass transfer in pumping flow of Ellis fluid along with solid particles: Morlet wavelet neural networks approach
編輯推薦：
研究人員針對非牛頓 Ellis 流體在泵送流中傳熱傳質研究不足的問題，開展了相關主題研究。利用數值方法和人工智能技術，結合 Morlet 小波神經網絡（MWNNs）等算法求解方程，結果表明該方法精度高，對化學、生物醫學等工程領域優化有重要意義。
在當今科學研究的前沿領域，流體動力學與傳熱傳質過程的研究一直是熱點話題，尤其是在涉及復雜流體體系的情況下。非牛頓流體（如 Ellis 流體）廣泛存在于生物體內和工業生產過程中，例如血液流動、聚合物加工等場景。然而，目前對于這類流體在泵送流中伴隨固體顆粒時的傳熱傳質現象，理論研究還不夠深入，存在諸多尚未解決的問題。這使得在化學工程、生物醫學工程以及環境工程等眾多領域，優化相關過程面臨困難。為了填補這一重要研究空白，研究人員開展了針對非牛頓 Ellis 流體在泵送流中傳熱傳質的研究。該研究成果發表在《Engineering Applications of Artificial Intelligence》上，具有重要的理論和實踐意義。
研究人員為了深入探究這一復雜的物理過程，采用了多種先進的技術方法。首先，運用數值方法對問題進行建模，結合潤滑假設、長波長和小雷諾數的近似，將流動問題轉化為數學模型。在此基礎上，引入人工智能技術，利用 Morlet 小波神經網絡（MWNNs）結合粒子群優化（PSO）和人工神經網絡（ANN）算法來求解相關方程。這種創新的算法組合能夠有效捕捉 Ellis 流體流動的非線性行為，為準確模擬傳熱傳質過程提供了有力支持。
下面來詳細看看研究結果。
- 數學模型構建：研究考慮了非牛頓 Ellis 流體與固體顆粒組成的二維多相流，同時納入電滲現象和化學反應的影響。通過設定通道壁面方程，結合相關物理定律，如 Poisson 方程、Nernst - Planck 方程等，建立了流體相和顆粒相的連續性方程、動量方程、能量方程以及濃度方程，并將其轉化為無量綱形式。這一系列方程為后續的研究提供了堅實的理論基礎。
- 求解方法及驗證：采用 MWNNs - PSO - ANN 方法求解上述復雜的非線性方程。通過設置特定的網絡結構，包括輸入層、隱藏層和輸出層神經元數量，并以 Morlet 小波函數作為激活函數，對模型進行訓練和求解。為了驗證該方法的準確性，將結果與數值 NDSolve 和基于物理信息的神經網絡（Physics Informed Neural Networks）及 Adam 優化器的結果進行對比。結果顯示，MWNNs 相關算法的均方誤差在多個獨立運行中的均值和中位數處于10?6?10?9之間，絕對誤差在10?2?10?7之間，表明該方法具有較高的精度和可靠性。
- 參數影響分析：研究考察了多個參數對流動和傳熱傳質過程的影響。例如，發現速度函數會隨著電滲因子和 Ellis 流體參數的增加而增強。這一發現有助于深入理解各參數在復雜流動體系中的作用機制，為實際應用中的參數優化提供了理論依據。
研究結論表明，MWNNs 方法在模擬非牛頓 Ellis 流體泵送流中的傳熱傳質過程具有較高的準確性和有效性。該研究不僅為流體動力學和傳熱傳質領域提供了新的理論見解，還為化學工程、生物醫學工程和環境工程等實際應用提供了實用的工具。通過優化相關過程中的熱和質量傳遞，可以提高反應器效率、改善藥物輸送效果、優化水處理工藝以及提升漿料運輸性能等。此外，研究中創新的算法結合方式為解決其他復雜的多相流問題提供了新的思路和方法，有望推動相關領域的進一步發展，在多學科交叉的背景下促進各領域的技術創新和進步。
