用于计算评估拉伸薄板引发的三元杂化纳米流体流动的人工神经网络：机器学习方法的应用启示

由于软计算人工智能（AI）方法在分析、建模和模拟中的广泛应用，研究人员对其表现出浓厚的兴趣。反向传播神经网络作为一种监督学习算法，常用于通过优化实际值与预测值之间的误差来训练数据网络。为优化这一数据训练过程，采用了 Levenberg-Marquardt 算法；该算法对于求解非线性流体流动问题尤为有益。目前，关于由具有生热、粘性耗散、磁效应和孔隙度等特性的拉伸表面所引起的三元杂化纳米流体流动，人们知之甚少。本文提出了一种新型机器学习方法，利用结合了 Levenberg-Marquardt 程序的反向传播神经网络来求解拉伸薄板产生的三元杂化纳米流体流动。该研究独特地探讨了磁场下单一基液中铜、氧化铁和二氧化硅纳米颗粒的混合物，填补了生热、粘性耗散、孔隙度和磁效应对流体流动系统及传热影响的研究空白。采用打靶数值技术（RK-5th）求解控制常微分方程。图形展示、误差分析、均方误差、直方图和回归分析验证了所提出的方法，表明其对三元纳米流体表现出更优的性能。