非均匀几何形状中波动引起的多相流的精确与神经网络模型比较研究：应用Levenberg–Marquardt神经网络

摘要 多相流体表现出乳液、泡沫和悬浮液等不相混溶的异质结构。它们复杂的流变性来自相对相比例、界面相互作用和组分特性。因此，它们表现出非线性效应——剪切变稀、粘弹性和屈服应力。蠕动通过沿通道壁传播收缩波来产生流体流动。这种机制可以有效地在微系统中输送多相和非牛顿流体。准确建模需要考虑不断变化的相关系、可变粘度、滑移和颗粒迁移异常，使用均匀化理论或体积平均等方法。应用包括对乳化生物制药的蠕动泵送、多相成分的微观混合/分离，以及增强油藏中多孔介质的流体流动。对蠕动导管中多相流体流动的分析和计算方法提供了对其复杂动态的更深理解，旨在创新工程系统。采用分析方法来建模不牛顿Ree–Eyring流体在不对称蠕动系统中的流动。控制微分方程包含关键参数，并为速度、流量和渗透率提供封闭形式的解。适当的假设，如长波长和低雷诺数，提供了准确性。同时，开发了一种人工神经网络（ANN），使用监督学习来预测渗透率。输入包括通道的不对称性、雷诺数、幅度比和其他物理因素。结果验证了这两种方法论——分析方程从第一原理导出了精确关系，而ANN能够可靠地从输入输出数据中学习系统模式。此外，ANN能够快速适应处理更复杂的流体动力学问题。它们在开发新流体模型、提高模拟效率和设计控制系统方面的前景被强调。并排的分析和ANN模拟图将进一步凸显ANN在模拟系统特性的能力。这为采用机器学习研究灵活的蠕动系统中的多面流动奠定了基础。在一系列参数范围内进行对工程表面摩擦系数的图形检查，包括体积分数、一级和二级滑移、Ree–Eyring流体特性和渗透率。