Cattaneo-Christov-Wärmeflussmodell des 3D-Hall-Stroms unter Einbeziehung des Bikonvektions-Nanofluid-Flusses mit dem Darcy-Forchheimer-Gesetz: Ansatz neuronaler Netze mit Rückpropagation

Kürzlich sind die Anwendungen von künstlicher Intelligenz durch weiche Berechnungen und Algorithmen des maschinellen Lernens zum zentralen Punkt der Überlegungen der Forscher geworden, aufgrund ihrer Bequemlichkeit für genaue Modellierung, Einfachheit in der Simulation und effektiver Bewertung. Dieser Artikel befürwortet weiche Berechnungen basierte rückpropagierte neuronale Netze (BNNs) mit der Levenberg-Marquardt-Technik (LMT), d. h. BNN-LMT, über ein neuartiges mathematisches Modell, das auf Bikonvektion, zweite Klasse kombinierte Konvektionsnanofluid (BSCCN)-Fluss, verbunden mit dem Cattaneo-Christov (CC)-Wärmeflussmodell für Wärmeübertragung und viskose Dissipation, Darcy-Forchheimer (DF)-Gesetz für durchlässige Medien und Hall (H)-Strom für hochgradige elektrische Leitfähigkeit im Flussbewegungsmodell, d. h. BSCCN-CCDFH-Flussmodell. Selbstähnliche Transformationen werden verwendet, um das multivariable Funktionsmodell in ein mathematisches System einer einzelnen Variablen zu reduzieren. Die Bewertung der thermischen Auftriebsparameter, Hall-Parameter, Porositätsparameter, Thermophoresefaktor, Lewis-Zahl und Peclet-Zahl über die Dynamik der Durchflussrate, Energie-, Nanofluidkonzentration und Mikrobelektrodenkonzentrationsprofile erfolgt durch einen Datensatz, der auf dem Adam numerischen Löser für verschiedene physikalische Szenarien basiert. Die Ergebnisse umfassender numerischer Simulationsstudien zeigen, dass die vorgeschlagene Technik BNN-LMT ein effizienter, zuverlässiger, genauer und schnell konvergierender stochastischer numerischer Löser ist, der rentabel für das BSCCN-CCDFH-Flussmodell mit einer Vielzahl physikalischer Variationen eingesetzt wird.