基于 Morlet 小波神经网络探究 Ellis 流体泵送流中传热传质的创新突破

研究人员针对非牛顿 Ellis 流体在泵送流中传热传质研究不足的问题，开展了相关主题研究。利用数值方法和人工智能技术，结合 Morlet 小波神经网络（MWNNs）等算法求解方程，结果表明该方法精度高，对化学、生物医学等工程领域优化有重要意义。

　　在当今科学研究的前沿领域，流体动力学与传热传质过程的研究一直是热点话题，尤其是在涉及复杂流体体系的情况下。非牛顿流体（如 Ellis 流体）广泛存在于生物体内和工业生产过程中，例如血液流动、聚合物加工等场景。然而，目前对于这类流体在泵送流中伴随固体颗粒时的传热传质现象，理论研究还不够深入，存在诸多尚未解决的问题。这使得在化学工程、生物医学工程以及环境工程等众多领域，优化相关过程面临困难。为了填补这一重要研究空白，研究人员开展了针对非牛顿 Ellis 流体在泵送流中传热传质的研究。该研究成果发表在《Engineering Applications of Artificial Intelligence》上，具有重要的理论和实践意义。

研究人员为了深入探究这一复杂的物理过程，采用了多种先进的技术方法。首先，运用数值方法对问题进行建模，结合润滑假设、长波长和小雷诺数的近似，将流动问题转化为数学模型。在此基础上，引入人工智能技术，利用 Morlet 小波神经网络（MWNNs）结合粒子群优化（PSO）和人工神经网络（ANN）算法来求解相关方程。这种创新的算法组合能够有效捕捉 Ellis 流体流动的非线性行为，为准确模拟传热传质过程提供了有力支持。

下面来详细看看研究结果。

1. 数学模型构建：研究考虑了非牛顿 Ellis 流体与固体颗粒组成的二维多相流，同时纳入电渗现象和化学反应的影响。通过设定通道壁面方程，结合相关物理定律，如 Poisson 方程、Nernst - Planck 方程等，建立了流体相和颗粒相的连续性方程、动量方程、能量方程以及浓度方程，并将其转化为无量纲形式。这一系列方程为后续的研究提供了坚实的理论基础。
2. 求解方法及验证：采用 MWNNs - PSO - ANN 方法求解上述复杂的非线性方程。通过设置特定的网络结构，包括输入层、隐藏层和输出层神经元数量，并以 Morlet 小波函数作为激活函数，对模型进行训练和求解。为了验证该方法的准确性，将结果与数值 NDSolve 和基于物理信息的神经网络（Physics Informed Neural Networks）及 Adam 优化器的结果进行对比。结果显示，MWNNs 相关算法的均方误差在多个独立运行中的均值和中位数处于10?6?10?9之间，绝对误差在10?2?10?7之间，表明该方法具有较高的精度和可靠性。
3. 参数影响分析：研究考察了多个参数对流动和传热传质过程的影响。例如，发现速度函数会随着电渗因子和 Ellis 流体参数的增加而增强。这一发现有助于深入理解各参数在复杂流动体系中的作用机制，为实际应用中的参数优化提供了理论依据。

研究结论表明，MWNNs 方法在模拟非牛顿 Ellis 流体泵送流中的传热传质过程具有较高的准确性和有效性。该研究不仅为流体动力学和传热传质领域提供了新的理论见解，还为化学工程、生物医学工程和环境工程等实际应用提供了实用的工具。通过优化相关过程中的热和质量传递，可以提高反应器效率、改善药物输送效果、优化水处理工艺以及提升浆料运输性能等。此外，研究中创新的算法结合方式为解决其他复杂的多相流问题提供了新的思路和方法，有望推动相关领域的进一步发展，在多学科交叉的背景下促进各领域的技术创新和进步。