In the artificial neural networks domain, the Levenberg-Marquardt technique is novel with convergent stability and generates a numerical solution of the wire coating system for Sisko fluid flow (WCS-SFF) through regression plots, histogram representations, state transition measures, and means squared errors. In this paper, the analysis of fluid flow problem based on WCS-SFF is studied with a new application of intelligent computing system via supervised learning mechanism using the efficacy of neural networks trained by Levenberg-Marquardt algorithm (NN-TLMA). The original mathematical formulation in terms of PDEs for WCS-SFF is converted into dimensionless nonlinear ODEs. The data collection for the projected NN-TLMA is produced for parameters associated with the system model WCS-SFF influencing the velocity using the explicit Runge-Kutta technique. The training, validation, and testing processes of NN-TLMA are utilized to evaluate the obtained results of WCS-SFF for various cases, and a comparison of the obtained results is performed with reference data set to check the accuracy and effectiveness of the proposed algorithm NN-TLMA for the analysis of non-Newtonian fluid problem-related WCS-SFF. The proposed NN-TLMA for solving the WCS-SFF is effectively confirmed through state transition dynamics, mean square error, regression analyses, and error histogram studies. The powerful consistency of suggested outcomes with reference solutions indicates the validity of the framework, and the accuracy of ${10}^{-8}$ to ${10}^{-6}$ is also achieved.

在人工神经网络领域，Levenberg-Marquardt 技术具有收敛稳定性，并通过回归图、直方图表示、状态转移测量和均方法生成 Sisko 流体流动 (WCS-SFF) 线材涂层系统的数值解错误。在本文中，利用由 Levenberg-Marquardt 算法 (NN-TLMA) 训练的神经网络的功效，通过监督学习机制，通过智能计算系统的新应用，研究了基于 WCS-SFF 的流体流动问题分析。WCS-SFF 的 PDE 方面的原始数学公式转换为无量纲非线性 ODE。使用显式 Runge-Kutta 技术为与影响速度的系统模型 WCS-SFF 相关联的参数生成投影 NN-TLMA 的数据收集。利用NN-TLMA的训练、验证和测试过程来评估WCS-SFF在各种情况下的所得结果，并将所得结果与参考数据集进行比较，以检验所提算法的准确性和有效性NN-TLMA 用于分析非牛顿流体问题相关的 WCS-SFF。通过状态转换动力学、均方误差、回归分析和误差直方图研究，有效地证实了所提出的用于解决 WCS-SFF 的 NN-TLMA。建议结果与参考解决方案的强大一致性表明了框架的有效性，以及 利用NN-TLMA的验证和测试过程来评估WCS-SFF在各种情况下获得的结果，并将获得的结果与参考数据集进行比较，以检查所提出算法NN-TLMA的准确性和有效性用于分析非牛顿流体问题相关的 WCS-SFF。通过状态转换动力学、均方误差、回归分析和误差直方图研究，有效地证实了所提出的用于解决 WCS-SFF 的 NN-TLMA。建议结果与参考解决方案的强大一致性表明了框架的有效性，以及 利用NN-TLMA的验证和测试过程来评估WCS-SFF在各种情况下获得的结果，并将获得的结果与参考数据集进行比较，以检查所提出算法NN-TLMA的准确性和有效性用于分析非牛顿流体问题相关的 WCS-SFF。通过状态转换动力学、均方误差、回归分析和误差直方图研究，有效地证实了所提出的用于解决 WCS-SFF 的 NN-TLMA。建议结果与参考解决方案的强大一致性表明了框架的有效性，以及 并将获得的结果与参考数据集进行比较，以检查所提出的算法 NN-TLMA 用于分析非牛顿流体问题相关 WCS-SFF 的准确性和有效性。通过状态转换动力学、均方误差、回归分析和误差直方图研究，有效地证实了所提出的用于解决 WCS-SFF 的 NN-TLMA。建议结果与参考解决方案的强大一致性表明了框架的有效性，以及 并将获得的结果与参考数据集进行比较，以检查所提出的算法 NN-TLMA 用于分析非牛顿流体问题相关 WCS-SFF 的准确性和有效性。通过状态转换动力学、均方误差、回归分析和误差直方图研究，有效地证实了所提出的用于解决 WCS-SFF 的 NN-TLMA。建议结果与参考解决方案的强大一致性表明了框架的有效性，以及${10}^{——8}$ 到 ${10}^{——6}$ 也达到了。