《Engineering Applications of Artificial Intelligence》：Illustration of low oscillating magnetic field on sodium alginate-based hybrid nanofluid flow between two revolving disks: An artificial neural network-based study
編輯推薦：
在納米流體傳熱優化存在空白的背景下，研究人員探究了 Fe3O4和 Gr 納米顆粒與海藻酸鈉基流體在多孔同軸圓盤間的流動。發現較高磁化參數使速度分布減小，Nusselt 數在 88 次迭代時傳熱效率最高。該研究為智能冷卻系統發展提供支持。
在科技飛速發展的今天，電子設備性能不斷提升，產生的熱量也與日俱增。高效的散熱技術成為了保障設備穩定運行的關鍵�；旌霞{米流體憑借其出色的傳熱性能，在電子冷卻、汽車散熱等眾多領域展現出巨大潛力。然而，目前對于納米流體在特定場景下的傳熱優化研究還存在諸多空白，比如在通過多孔同軸旋轉圓盤時的傳熱情況。為了填補這一研究空白，來自未知研究機構的研究人員開展了一項極具價值的研究。他們的研究成果發表在《Engineering Applications of Artificial Intelligence》上，為相關領域的發展提供了新的思路和方向。
研究人員采用了多種關鍵技術方法。首先，利用 Runge - Kutta 4 階格式（RKF - 45）結合打靶法求解非線性微分方程，以此分析流場特性。同時，運用合適的變換將控制方程轉化為無量綱形式，方便后續計算。此外，研究人員構建了人工神經網絡（ANN）模型預測傳熱速率，并與響應面法（RSM）進行對比，通過方差分析（ANOVA）驗證模型可靠性。
研究結果
- 流場特性分析：研究考慮了 Fe3O4和 Gr 納米顆粒與海藻酸鈉基流體通過多孔同軸圓盤的流動，探究輻射和低振蕩磁場的影響。研究設定了無量綱變量的取值范圍進行數值計算，分析相關因素對流場的影響。
- ANN 模型預測傳熱速率：創建 ANN 模型預測以 Nusselt 數表示的傳熱速率。研究采用基于 ANN 的數據分析方法，將 600 個 Nusselt 數數值分為 70% 用于訓練、15% 用于測試、15% 用于驗證。通過探索隱藏層中不同的神經元數量來提升模型性能，該模型處理 6 個輸入，經 10 個隱藏神經元產生 1 個輸出。
- RSM 優化預測模型：RSM 依靠一系列數學和統計方法開發更有效的預測模型，并分析對各種定義因素的響應。研究應用 RSM 針對 Nusselt 數（Nu）的響應，以及納米顆粒體積分數（?）、輻射（Rd）和有效磁化參數（α）等因素進行優化。
研究結論與討論
本研究深入探討了平行圓盤間孔隙率、熱源 / 熱匯、輻射以及對流邊界條件對混合納米流體流動的影響。通過適當變換將控制方程轉化為常微分方程，再利用打靶法和 RKF - 45 方法進行數值計算。利用 ANN 預測傳熱速率，并與 RSM 對比，經 ANOVA 驗證模型有效性。研究結果表明，較高的磁化參數會使速度分布減小，而較大的雷諾數則會導致速度增加。Nusselt 數在 88 次迭代時達到最有效的傳熱速率，梯度為 9.9805×10?8 。
這項研究具有重要意義。它不僅豐富了混合納米流體在復雜流場中傳熱特性的理論知識，而且為實際應用提供了有力的支持。在電子設備散熱、能源利用等領域，該研究成果有助于設計更高效的散熱系統，提升能源利用效率，推動相關產業的技術升級。同時，ANN 和 RSM 等方法的應用，也為后續研究提供了新的思路和工具，促進了相關領域的進一步發展。
