目的：通过引入热泳(Thermophoresis)、布朗运动(Brownian Motion)、化学组分、活化能(Activation Energy)及游动微生物(Motile Microbes)，阐明受磁场影响的曲面扩张引发的含三元纳米颗粒(Ternary Nanoparticles)生物对流流动中复杂的热质传输现象。方法：研究人员将描述流动机制的数学模型表述为偏微分方程(PDE)，通过相似变换将其转化为常微分方程(ODE)。采用结合打靶法(Shooting Method)与四阶龙格—库塔法(RK-4, Runge-Kutta 4th Order)的数值技术获取研究结果，随后设计神经计算模型对比预测单颗粒、混合(Hybrid)及三元纳米颗粒体系的努塞尔数(Nusselt Number, Nu)。主要发现：流体速度随曲率参数(Curvature Parameter)增大而增强，温度分布则降低；热泳参数与布朗扩散参数使流体温度升高但降低相应热通量；较高曲率与活化能使浓度分布升高，微生物密度随佩克莱数(Peclet Number, Pe)与生物对流路易斯数(Bioconvective Lewis Number, Lb)增大而减小；模型训练所得均方误差(MSE)分别为2.79×10-8、7.63×10-8和1.55×10-7，验证模型稳健性。应用：相比单颗粒与混合纳米流体，三元纳米颗粒强化了传热与传质性能，为工程与生物医学中改进型热能储存及生物对流传递装置的设计提供有价值参考。
论文解读：曲面拉伸面上MHD生物对流三元纳米流体流动的神经计算分析
该研究发表于《Results in Surfaces and Interfaces》。现有文献多集中于平面构型的纳米流体或混合纳米流体流动，对具实际工程意义的曲面拉伸构型关注不足，且较少同时考虑磁流体动力学(MHD, Magnetohydrodynamics)效应与含游动微生物(Motile Microorganisms/Gyrotactic Microorganisms)的生物对流(Bioconvection)现象于三元纳米流体(Ternary Nanofluid，即基液中同时悬浮三种不同类型纳米颗粒以进一步提升热物性)体系中。为弥补上述不足，研究人员建立了稳态二维层流不可压缩导电三元纳米流体在曲面拉伸面上的MHD生物对流流动数学模型，引入热泳(Thermophoresis, Nt)、布朗运动(Brownian Motion, Nb)、化学反应、活化能(Ea/Activation Energy, E)及微生物密度方程，通过相似变换将偏微分方程(PDE)化为常微分方程(ODE)组后采用数值求解，并进一步构建人工神经网络(ANN, Artificial Neural Network)代理模型预测努塞尔数(Nu, Nusselt Number)，对比单纳米颗粒(Mono)、混合纳米颗粒(Hybrid/Binary)与三元纳米颗粒体系的传热传质差异，探讨各无量纲参数对速度、温度、浓度及微生物密度分布的影响。研究表明三元纳米颗粒较单颗粒及混合颗粒显著提升热质传递效率，ANN模型可高精度预测工程换热指标，为微流控器件、生物反应器及高效热管理系统设计提供理论依据。
主要关键技术方法：
研究人员首先推导曲面拉伸面上含MHD及生物对流的连续性、动量、能量、物种(Species Concentration)及微生物密度守恒控制方程，采用相似性变换引入无量纲相似变量将其化为五阶耦合非线性常微分方程组；利用打靶法(Shooting Method)配合四阶龙格—库塔法(RK-4)数值求解边值问题，验证结果与已有文献吻合；基于数值解生成的数据集(Pr—普朗特数Prandtl Number、Nt、Nb为输入，Nu为输出，共100组数据，70%训练/30%测试)，构建含单隐层(8神经元，Purline激活函数)的前馈反向传播(Back-propagation)ANN模型，以均方误差(MSE, Mean Squared Error)、误差直方图(EH, Error Histogram)及回归分析(Regression/R值)评估预测性能，分别针对单、混合及三元纳米颗粒情形进行对比。
研究结果：
2.1 建模方程(Modeled Equations)：
研究人员假定稳态、二维、层流、不可压缩导电三元纳米流体经曲面拉伸面流动，施加横向磁场(B0)产生洛伦兹力(Lorentz Force)，表面具线型拉伸速度Uw(r)=a·r(a为拉伸常数)，考虑对流热边界(热毕奥特数Bi, Thermal Biot Number)、对流质边界及固定壁面微生物密度(Nw)，引入活化能与游动微生物守恒方程，列出质量、动量(含曲率和MHD项)、能量(含Nb、Nt)、浓度(含化学反应速率Kr、弗兰克—卡明斯数Fr或活化能E及施密特数Sc, Schmidt Number)及微生物密度(含Pe、Lb)的五组控制偏微分方程及对应边界条件。
2.2 相似性解(Similarity Solution)：
通过引入无量纲流函数f(η)、温度θ(η)、浓度φ(η)、微生物密度χ(η)及相似变量η=y·√(a/νnf)，将PDE化为关于η的五阶耦合非线性ODE组，边界条件同步无量纲化，消除压力梯度项后得到最终可解形式。
2.3 无量纲参数(Non-dimensional Parameters)：
定义关键无量纲数：磁参数M(MHD Parameter)、曲率参数δ(Curvature Parameter, λ=r0√a/νnf)、普朗特数Pr(Prandtl Number)、布朗运动参数Nb(Brownian Motion Parameter)、热泳参数Nt(Thermophoresis Parameter)、施密特数Sc、化学反应参数Kr(Chemical Reaction Parameter)、活化能参数E(Activation Energy Parameter, E=Ea/kBT∞)、佩克莱数Pe(Peclet Number)、生物对流路易斯数Lb(Bioconvective Lewis Number)；给出三元纳米流体有效密度ρnf、比热(ρCp)nf、动力黏度μnf、电导率σnf及热导率knf(采用Koo—Kleinstreuer修正Hamilton—Crosser模型，含Brownian/Nt贡献)计算公式，所用基底液为水(SA/Surfactant-treated Water，表中标注SA)，三元颗粒为Al2O3、SiO2、TiO2。
2.4 工程关注量(Quantities of Interest)：
定义局部努塞尔数Nux(−θ'(0))、局部舍伍德数Shx(−φ'(0)，Species Sherwood Number)及局部微生物密度通量Nnx(−χ'(0)，Motile Microorganism Flux)，经变换后无量纲壁面梯度即为数值求解目标。
3. 数值策略(Numerical Strategy)：
将原高阶ODE组化为一阶初值问题(IVP)，设未知壁面导数值初猜，用RK-4迭代积分至远场η→∞，以牛顿—拉夫森(Newton-Raphson)调整初猜直至边界残差满足精度，确认与Rosca and Pop.[30]及Abbas et al.[31]结果偏差极小，验证算法可靠性。
4. 神经计算算法(Neuro-computing Algorithm)：
ANN输入层为Pr、Nb、Nt，隐层8神经元(Purline函数)，输出层为预测Nu；训练采用Levenberg—Marquardt或标准BP算法。MSE分别为Mono: 2.79×10-8，Hybrid: 7.63×10-8，Ternary: 1.55×10-7；误差直方图峰值近零且窄；回归R≈0.999以上。数值解与ANN预测Nu值高度一致(表3—5)，证实ANN可作高效替代模型。
5. 结果解读(Results Interpretation)：
— 速度与MHD参数(M)：M增大→洛伦兹阻力增强→速度剖面f'(η)衰减。
— 速度与曲率参数(δ)：δ增大→几何曲率减小黏性阻滞、促进沿曲面加速→速度提升；单纳米颗粒速度略高于混合与三元(因黏度增加)。
— 温度与Prandtl数(Pr)：Pr↑→热扩散率↓→温升受限→温度θ(η)降低。
— 温度与Nb、Nt：Nb↑或Nt↑→纳米颗粒随机运动或热致迁移增强能量交换→温度θ(η)升高；但相应Nu(=−θ'(0))随Nb、Nt增大而略降(表4、5)。
— 温度与δ：δ↑→径向对流强化将热量带离加热面→温度降低，热边界层变薄。
— 温度与热Bi：Bi↑→壁面对流传热增强→近壁温升、温度剖面抬升；三元纳米颗粒因有效导热率knf最高使温升最显著。
— 浓度与δ：δ↑→边界层内物种移除率降低、扩散主导→浓度φ(η)升高；活化能E↑→反应能垒增高、物种消耗减慢→浓度升高；Kr(化学反应)↑→物种快速消耗→浓度降低；Sc↑→质扩散率↓→浓度降低；三元体系浓度分布高于单/混合。
— 微生物密度与Pe：Pe↑(平流相对扩散强)→微生物被顺流带离→壁区密度χ(η)下降；Lb↑(微生物扩散相对质扩散弱)→积累效率低→密度下降。
— 质量通量(Sh)：Sc↑→Sh↑；Kr↑→Sh↑；δ↑、E↑→Sh↓；三元纳米颗粒Sh最大。
— 微生物通量(Nn)：Pe↑、Lb↑→Nn↑；δ↑→Nn↓；三元略高于其他。
6. 结论(Conclusions)：
研究人员得出以下结论：(1)速度剖面随曲率参数增大而增强，温度则相反；(2)热泳与布朗运动参数使温度升高但降低相应热通量；(3)浓度随曲率参数升高，其通量下降；(4)佩克莱数与生物对流路易斯数升高降低游动微生物密度但提高其通量；(5)单、混合、三元情形下ANN模型训练MSE分别为2.79×10-8、7.63×10-8、1.55×10-7，证实模型稳健；(6)实际值与预测值间低误差表明ANN适用于此类工程量的预测；(7)三元纳米颗粒相较单与混合纳米颗粒具更优热质传递表现，具工程与生物医学应用价值。
