化学反应与辐射效应对流经指数加速倾斜平板的磁流体力学（MHD）三元纳米流体流动影响的神经网络分析

《South African Journal of Chemical Engineering》：Artificial Neural Network Analysis of Chemical Reaction and Radiation Effects on MHD Ternary Nanofluid Flow over an Exponentially Accelerated Inclined Plate

　　

该研究探讨了磁流体力学（Magnetohydrodynamic, MHD）三元纳米流体（ternary nanofluid）在多孔介质中流经指数加速倾斜平板时的自由对流热量和质量传递特性。理论框架整合了内热源/热沉以及波动壁温的复杂性。研究人员利用拉普拉斯变换技术（Laplace transform technique）严格推导了解析解，同时实施了一种复杂的人工神经网络（Artificial Neural Network, ANN）以预测并证实这些数学结果。传热（努塞尔数，Nusselt Number）根据普朗特数（Prandtl number, Pr）、热辐射参数和随时间演进的情况进行评估。传质（舍伍德数，Sherwood Number）作为磁渗透率、施密特数（Schmidt number, Sc）和时间的函数进行分析。热增强研究结果表明，纳米流体体积分数的增加显著增强了热导率，从而提升了温度分布。所提出的基于列文伯格-马尔夸特算法（Levenberg-Marquardt Algorithm, LMA）的反向传播人工神经网络（Backpropagation Artificial Neural Network, BANN）表现出卓越的预测保真度。该模型对于努塞尔数达到了超过99.9%的精度阈值，对于舍伍德数达到了近乎完美的准确度。这些结果通过可忽略的均方误差（Mean Squared Error, MSE）、均方根误差（Root Mean Squared Error, RMSE）和平均绝对误差（Mean Absolute Error, MAE）值以及接近于1的相关系数（R）得到证实，表明解析数据集与预测数据集之间具有强一致性。

研究背景与意义

近年来，纳米流体（nanofluids）作为一类先进的传热流体引起了研究人员的广泛关注。虽然纳米流体普遍增强了热物理性质，但三元纳米流体（ternary nanofluids，即同时悬浮三种不同类型纳米粒子的流体）为定制化、改善稳定性以及引入额外功能提供了更大的机会。与单纳米流体和混合纳米流体相比，配制的三元纳米流体通常表现出更好的分散稳定性和减少的沉降，支持长期的工业运行。基于此，研究人员目前正致力于三元纳米流体相较于单纳米流体的研究。然而，在磁流体力学（MHD）、多孔介质、化学反应与热辐射等多物理场耦合作用下，三元纳米流体流经指数加速倾斜平板的流动、传热及传质特性尚缺乏深入的系统分析。此外，传统的解析或数值方法在处理此类复杂多参数非线性问题时可能存在计算效率或精度上的挑战。因此，研究人员开展了此项研究，旨在探讨MHD三元纳米流体在多孔介质中流经指数加速倾斜平板时的自由对流热质传递特性，并引入人工智能方法（ANN）进行高精度预测与验证。该研究成果对于化学传感、摩擦学、能源存储及石油催化等工业领域具有重要的理论指导意义，论文发表于《South African Journal of Chemical Engineering》。

主要关键技术方法

研究人员采用了理论建模与人工智能相结合的方法。首先，基于Boussinesq近似和控制体积法，建立了MHD三元纳米流体流经多孔介质中指数加速倾斜平板的动量、能量及物种扩散控制方程组，并引入无量纲参数（如磁参数M、孔隙率参数K₀、普朗特数Pr、施密特数Sc、热辐射参数R等）进行化简。其次，利用拉普拉斯变换技术（Laplace transform technique）求解上述偏微分方程组，获得速度、温度和浓度分布的解析解，并推导了壁面努塞尔数（Nusselt Number, Nu）和舍伍德数（Sherwood Number, Sh）的表达式。最后，研究人员构建了一个基于列文伯格-马尔夸特算法（Levenberg-Marquardt Algorithm, LMA）的反向传播人工神经网络（Backpropagation ANN, BANN）模型，输入层包含相关物理参数，隐藏层采用双曲正切Sigmoid函数，输出层为线性函数，用于预测Nu和Sh，数据集按70%训练、15%验证、15%测试进行划分，并在MATLAB 2025中实现。

研究结果

1. 1.
   速度分布分析
   研究人员通过分析不同参数下的速度分布发现，增加磁参数（M）和渗透率参数（K₀）会导致速度显著降低，这是因为磁场产生的洛伦兹力（Lorentz force）起阻滞作用，而低渗透率限制了流体在多孔矩阵中的运动。三元纳米流体（GO+MoS₂+Co）的速度响应比单纳米流体或混合纳米流体更为显著，这归因于三重粒子系统更高的集体密度和热膨胀系数，增强了壁面附近的浮力驱动流动。此外，增加热格拉晓夫数（Gr）会加速流体，因为热浮力主导了粘性力；而增加施密特数（Sc）和Prandtl数（Pr）则会降低速度。
2. 2.
   温度分布分析
   研究结果表明，增加纳米粒子体积分数（φ₁为GO，φ₂为MoS₂，φ₃为Co）会导致温度升高，其中氧化石墨烯（GO）因其极高的热导率（3000 W m^-1K^-1）起最关键作用。热辐射参数（R）的增加也会升高流体温度，因为热辐射向流体提供了额外能量，增厚了热边界层。相反，增加Prandtl数（Pr）会导致温度急剧下降，因为高Pr流体具有较低的热扩散率，热量无法从加热壁面向流体深处渗透。
3. 3.
   浓度分布分析
   研究人员发现，浓度（C）随施密特数（Sc）的增加而下降，因为较高的Sc意味着相对于动量扩散率而言质量扩散率较低，导致溶质限制在靠近壁的较薄区域内。化学反应参数（K）的增加显著降低了浓度，这是由于反应过程中反应物的消耗。此外，浓度随时间（t）增加而上升，说明随着瞬态流动的成熟，物种扩散和对流逐渐增加了流体中的溶质水平。
4. 4.
   ANN预测性能分析
   研究人员利用所构建的LMA-BANN模型对Nusselt数（Nu）和Sherwood数（Sh）进行预测，并与拉普拉斯变换解析解进行对比。结果表明，该ANN模型对Nu的预测精度超过99.9%，对Sh的预测精度接近100%。性能指标显示极低的MSE、RMSE和MAE值，且相关系数R及R²接近于1，训练、验证和测试集之间具有高度一致性，证明了该模型具有出色的预测能力、鲁棒性和泛化能力，能够保持MHD三元纳米流体在辐射和化学反应参数影响下的物理一致行为。

讨论与结论

在讨论部分，研究人员总结了三元纳米流体（GO+MoS₂+Co）相较于单纳米流体和混合纳米流体的优势：其在热增强方面表现最为优异，得益于有效热导率的协同增加，但同时由于粘性阻力增强也导致了速度分布的最大幅度降低。

研究结论指出：较高的辐射参数、渗透率和格拉晓夫数会导致速度增加，而较高的施密特数和普朗特数会降低速度；倾斜角α也会影响速度。较高的Prandtl数会导致温度降低（热边界层厚度减小），而较高的辐射参数会因辐射传热增强而导致温度升高。三元纳米流体系统在热增强方面显著优于单体和混合配置，但同时引起速度轮廓的最大降低。浓度随化学反应参数值增加而下降，较高的施密特数意味着较低的质量传递率。所提出的LMA-BANN表现出卓越的预测性能，对Nusselt数的有效精度大于99.9%，对Sherwood数几乎达到100%，MSE/RMSE/MAE值极低，相关系数R和R²接近于1。

要不要我帮你把论文中的关键公式或参数定义整理成更易读的中文对照清单？