تحليل التعلم العميق لتحسين توقع انتقال الحرارة في السوائل النانوية الهجينة ماكسويل بقانون غير فوري وتأثيرات الإشعاع

تحويل السوائل إلى ناقلات حرارية أذكى

تعتمد التقنيات الحديثة—من السفن المزودة بالطاقة الشمسية إلى الإلكترونيات المدمجة—على نقل الحرارة بسرعة وأمان. غالبًا ما تكافح الزيوت والمبردات التقليدية لمواكبة متطلبات الأنظمة التي تصبح أصغر وأكثر قوة. تستكشف هذه الورقة كيف أن خلط جزيئات صلبة دقيقة في زيت المحرك العادي، ثم استخدام الذكاء الاصطناعي لتنبؤ سلوكها، يمكن أن ينتج سوائل أذكى تنقل الحرارة بكفاءة أعلى وفي الوقت نفسه يسهل نمذجتها حاسوبيًا.

ما الذي يميز هذه السوائل

تركز الدراسة على ما يُسمّى السوائل النانوية الهجينة: زيت محرك عادي مُغنى بنوعين من الأنابيب النانوية الكربونية وجزيئات أكسيد مغناطيسية. تعمل هذه الإضافات النانوية كطرق سريعة للحرارة مدمجة داخل السائل، مما يمنحه قدرة أعلى بكثير على توصيل الحرارة مقارنة بالزيت الأساسي بمفرده. يأخذ المؤلفون في الحسبان سريان هذه السوائل فوق سطح يتمدد أو ينكمش، وهو أسلوب قياسي لنمذجة سلوك السوائل قرب الجدران الساخنة أو الطلاءات أو أنابيب مجمعات الطاقة الشمسية. كما يشملون تأثير مجال مغناطيسي والإشعاع الحراري، وكلاهما قد يكون مهمًا في البيئات عالية الحرارة والموصلة كهربائيًا مثل مستقبلات الطاقة الشمسية وأنظمة الطاقة البحرية.

رؤية أكثر واقعية لسفر الحرارة

تفترض معظم حسابات انتقال الحرارة أن التغيرات في درجة الحرارة تنتشر فورًا في المادة، وهو تقريب يُعرف بقانون فورييه. وعلى الرغم من ملاءمته، فإنه يعني أن الحرارة تتحرك بسرعة لا نهائية—وهو أمر مستحيل فيزيائيًا، خاصة عند التعامل مع عمليات سريعة جدًا أو مواد ذات بنى دقيقة مثل السوائل النانوية. لتصحيح ذلك، يتبنى المؤلفون نموذج تدفق الحرارة كاتشانو–كريستوف، الذي يبني تأخرًا صغيرًا لكن محدودًا بين التغير الحراري وتدفق الحرارة الناتج. يؤدي هذا إلى انتشار يشبه الموجة للحرارة بدلًا من السلاسة الفورية، وقد يغير بشكل كبير توزيعات درجة الحرارة في الطبقة الحدودية للسائل قرب سطح ساخن.

محاكاة تيار معقد

لوصف حركة وتسخين السائل النانوي الهجين، يبدأ الفريق من معادلات الحفاظ القياسية للكتلة والزخم والطاقة، ثم يخصّصها لنوع خاص من السوائل اللدنة المعروفة بسائل ماكسويل. تحوّلات التشابه تقلل المعادلات التفاضلية الجزئية الأصلية إلى مجموعة من المعادلات التفاضلية العادية، التي تُحل عددياً باستخدام محلل قيم حدودية عالي الدقة في MATLAB. يغيّر المؤلفون بشكل منهجي المعاملات البُعدية الرئيسية، بما في ذلك شدة المجال المغناطيسي، والإشعاع الحراري، ورقم بيوت (الذي يقارن التدفق الحراري الداخلي بتدفق السطح)، وانزلاق السرعة عند الحائط، والشفط أو النفخ عبر السطح، وقوة المصادر أو المصارف الحرارية الداخلية. يجدون أن الحقول المغناطيسية الأقوى تبطئ السائل، وأن الإشعاع الحراري والأرقام الأكبر لبيوت يثخنان الطبقة الحدودية الحرارية ويعززان امتصاص الحرارة، وأن السوائل النانوية الهجينة تتفوق باستمرار على السوائل النانوية ذات الجسيمات المفردة في نقل الحرارة.

السماح لشبكة عصبية بتعلّم الفيزياء

حل هذه المعادلات مرارًا وتكرارًا لعديد تراكيب المعاملات يتطلب قدرة حاسوبية كبيرة، خاصة إذا رغب المهندسون في استكشاف التصاميم أو تشغيل ضوابط زمن حقيقي. لمعالجة ذلك، يدرب المؤلفون شبكة عصبية اصطناعية لتعمل كنموذج بديل. يزودون الشبكة بآلاف الحلول عالية الدقة من المحلل العددي، مستخدمين الموضع البُعدي في الطبقة الحدودية والمعاملات الفيزيائية كمدخلات، ومعدل تغير السرعة وملف درجة الحرارة كمخرجات. يتم تدريب متعرّف متعدد الطبقات بطبقتين خفيتين باستخدام خوارزمية تحسين ليفنبرج–ماركو. تُعيد الشبكة إنتاج النتائج العددية بأخطاء ضئيلة جدًا—متوسط مربعات الأخطاء حوالي 10⁻¹¹–10⁻¹² ومعاملات ارتباط تكاد تساوي واحدًا—مما يدل على أنها استوعبت العلاقات غير الخطية الأساسية بدقة عالية جدًا.

لماذا تهم النتائج

بالنسبة للأنظمة العملية مثل السفن البحرية المزودة بالطاقة الشمسية، وجامعات الطاقة الشمسية ذات الأخدود المكافئ، أو المزلقات المتقدمة في المحركات، تشير هذه النتائج إلى سوائل يمكنها امتصاص حرارة أكبر مع إمكانية توقعها بسرعة بواسطة نماذج ذكاء اصطناعي مدمجة. تظهر السوائل النانوية الهجينة المدروسة هنا أداءً حراريًا أقوى من الخلائط الأبسط، بينما يعطي نموذج غير فوري لرؤية أكثر واقعية لكيفية انتشار الحرارة فعليًا. من خلال إظهار أن شبكة عصبية مدرّبة يمكن أن تحل محل حسابات عددية ثقيلة دون فقدان الدقة، يقدم العمل مسارًا لتسريع التصميم والتحسين والتحكم في الأنظمة الحرارية المعقدة حيث كل درجة حرارة وكل واط من الطاقة المهدرة لهما أهمية.

الاستشهاد: Alsaiar, N.S., Imran, M., Rukhsar, M. et al. Deep learning analysis for enhanced prediction of heat transfer in Maxwell hybrid nanofluids with non-Fourier law and radiation effects. Sci Rep 16, 13926 (2026). https://doi.org/10.1038/s41598-026-43327-9

الكلمات المفتاحية: سائل نانوي هجين, انتقال الحرارة, أنظمة الطاقة الحرارية الشمسية, الشبكة العصبية الاصطناعية, التوصّل غير الفوري للحرارة