Neural network-based computational evaluation of periodic electroosmotic flow in propylene glycol–water ternary nanofluids with oxytactic microbes
Notice bibliographique
Résumé
The rapid evolution of artificial intelligence (AI) is revolutionizing molecular-scale data analysis, transport modeling, and the prediction of dynamic behavior in complex fluids. In this study, we present a novel application of an AI-driven artificial neural network (ANN) to investigate chaotic transport dynamics in periodic electroosmotic flow (PEOF) of Sutterby ternary nanofluids containing oxytactic microbes. The working fluid, a 50:50 mixture of propylene glycol and water infused with Fe₃O₄, TiO₂, and Al₂O₃ nanoparticles, is modeled flowing across a deformable porous geometry. The nonlinear governing equations are solved numerically using the finite difference method (FDM), with ANN employed to enhance predictive capability. Model validation shows remarkable accuracy, achieving mean squared errors between 10 −7 and 10 −9 , thereby confirming the robustness of the AI-assisted framework. The findings reveal that electroosmotic and magnetic parameters exert competing effects on fluid motion, while oxytactic microbes reduce concentration distribution. Increasing the Brownian motion parameter enhances random particle movement, resulting in higher temperatures and lower concentrations. Additionally, the density of motile microbes decreases with increasing Peclet and bio-Schmidt numbers. Importantly, tri-hybrid nanofluids exhibit superior thermal distribution compared with hybrid nanofluids, single nanofluids, and base fluids. This study is the first to integrate AI-driven ANN modeling with chaotic PEOF transport in Sutterby ternary nanofluids containing oxytactic microbes. Unlike previous works, it uniquely combines advanced AI techniques with nonlinear bio-nanofluid dynamics, achieving unprecedented predictive accuracy while uncovering new insights into the coupled roles of electroosmosis, magnetism, Brownian motion, and microbial activity. The outcomes provide a new pathway for AI-assisted optimization of nanofluid-based systems in wastewater treatment, microfluidics, and energy transport, enabling more efficient and sustainable technologies. • Artificial neural network algorithm analyzed vast molecular-scale datasets generated from the simulation. • Explores how nanofluids and oxytactic microbes interact in a periodically driven electroosmotic environment. • Examines the synergistic effects of thermal diffusion and random molecular motion on a Propylene Glycol-Water nanofluid. • Oxytactic microbes' affinity for oxygen-rich zones leads to a reduction in nanoparticle concentration. • Validates the theoretical model and its applicability in wastewater treatment, advanced thermal management and drug delivery systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».