用半解析与人工神经网络方法来预测弯曲导管内流体的动力学稳定性

导读：

弯曲导管是各行各业中使用最广泛的几何形状之一，在大型流体机械和微型机电系统（MEMS）的设计中起着重要作用[1]。

本研究使用半解析方法，研究了流体在矩形弯曲导管中流动过程的线性流体动力学稳定性，随后使用人工神经网络（ANN）来估算这些导管中流体的动力学稳定性。为了完成该研究，作者在各种纵横比和曲率比的条件下对临界迪恩数值（Dn𝑐）进行了估算。

结果显示，通过曲率增强，在基于半解析结果的基础上Dn𝑐有所提高。此外，通过增加纵横比可以发现Dn𝑐趋势的不规则变化。进一步研究发现，预期ANN的均方误差的最大值和相关系数的最小值，分别是0.00144和0.98621。最后，作者提出了预测方程，利用ANN的权重和偏倚情况来估算Dn𝑐。

（图片来自英文原文作者）

图1：使用人工神经网络架构用于确定弯曲矩形管中流体的动力不稳定性

本文由来自伊朗Babol Noshirvani工业大学机械工程系的Hashem Nowruzi及其同事发表于Elsevier旗下期刊Partial Differential Equations in Applied Mathematics，第1节对弯曲导管的实际应用做了介绍，第2节介绍了半解析方法，第3节介绍了ANN的详细信息，第4节讨论了半解析和ANN结果，最后在第5节得出了结论。

本研究得出以下三个主要结论：1）随着曲率比的提高，流体流动变得更加稳定；2）随着纵横比在径向方向上的提高，流体流动变得更加不稳定，而在垂直于曲率半径的方向上提高纵横比，流体流动则会更加稳定；3）预测临界Dn𝑐时考虑的人工神经网络的均方误差的最大值和相关系数的最小值分别为0.00144和0.98621。

在未来研究中，可以考虑在不同外部条件下对弯曲导管内流体的动力稳定性进行研究，并使用例如自适应神经模糊推理系统（ANFIS）等其他软件计算方法进行研究。

投稿

推荐

本文摘自Elsevier旗下期刊

扫描获取更多该期刊信息

识别二维码阅读英文原文

  Partial Differential Equations in Applied Mathematics  

Partial Differential Equations in Applied Mathematics通过偏微分方程和相关技术的使用，为应用数学和应用科学领域的原创研究提供了一个交流平台。本刊鼓励学者从分析和数值方法角度作出学术贡献。本刊为开放获取期刊，涵盖的主题包括但不限于：inverse scattering transforms, initial and boundary value problems, the unified transform (Fokas method), Lie symmetry method, Hamiltonian theory, Darboux and Backlund transformations, Hirota bilinear method, Riemann-Hilbert problems, d-bar formalism, long-time asymptotics等。欢迎相关学者的订阅及投稿！

导读Reference:

[1] Fischer AC, et al. Integrating MEMS and ICs. Microsyst Nanoeng. 2015;1:116.

英文原文作者:

Hashem Nowruzi, Hassan Ghassemi, Mahdi Yousefifard

往期回顾

版权声明：本文由爱思唯尔北京办公室负责翻译。中文内容仅供参考，一切内容以英文原版为准。

©️ 2020 Elsevier B.V.

喜欢我们的内容？不如点个“在看”吧