Ein tiefes neuronales Netzwerkmodell für Wärmeübertragung in Darcy–Forchheimer-Hybridnanofluidströmung mit Aktivierungsenergie

Schlauere Motoröle für anspruchsvolle Einsätze

Von Verbrennungsmotoren bis zu Kraftwerken leiten moderne Maschinen enorme Wärmemengen durch enge Bauteile. Herkömmliche Öle kommen besonders bei hohen Temperaturen, starken Magnetfeldern oder in porösen Materialien wie Filtern und katalytischen Schüttungen an ihre Grenzen. Diese Studie untersucht eine neue Klasse „intelligenter" Schmierstoffe – Motoröle, die mit winzigen Keramikpartikeln beladen sind – und zeigt, wie fortgeschrittene neuronale Netzwerke vorhersagen können, wie diese Fluide Wärme und gelöste Chemikalien transportieren, und das deutlich schneller als konventionelle Simulationen.

Ein besseres Arbeitsfluid entwickeln

Die Forschenden beginnen mit der Entwicklung eines Hybridnanofluids: Basis-Motoröl wird mit zwei Nanopartikeltypen angereichert, Aluminiumoxid und Titandioxid. Jede Partikelart bringt hohe Wärmeleitfähigkeit und mechanische Robustheit mit, und zusammen erhöhen sie die Fähigkeit des Fluids, Wärme zu transportieren, während es bei Temperaturen oberhalb von 300 °C stabil bleibt. Das Grundöl selbst verhält sich wie ein nichtnewtonsches Casson-Fluid, das heißt, es widersteht der Bewegung bis eine bestimmte Schubspannung erreicht ist und fließt dann leichter – eine realistische Beschreibung vieler industrieller Schmierstoffe, Farben und Polymersuspensionen. Diese Kombination ist gezielt für anspruchsvolle Umgebungen wie Schmierkanäle, katalytische poröse Betten und kompakte Wärmetauscher ausgelegt.

Extreme Bedingungen in porösen Strukturen

Um reale industrielle Bedingungen nachzubilden, analysiert das Team die Strömung über einer radial dehnenden Oberfläche, die in ein poröses Medium eingebettet ist – ein vereinfachter Stellvertreter für Kanäle, Filter oder gepackte Betten. Hier trifft das Fluid sowohl auf Widerstand durch einfache Permeabilität (Darcy-Zug) als auch auf zusätzliche träge Blockadeeffekte (Forchheimer-Zug). Ein Magnetfeld wird angelegt und erzeugt eine Lorentzkraft, die der Bewegung entgegenwirkt; das Fluid nimmt außerdem thermische Strahlung auf und gibt sie ab. Gleichzeitig folgt eine reaktive gelöste chemische Spezies einem Arrhenius-ähnlichen Gesetz: Reaktionen beschleunigen stark, sobald genügend Aktivierungsenergie verfügbar ist. Diese verflochtenen Effekte formen drei zentrale Profile innerhalb der Flüssigkeitsschicht: Geschwindigkeit (wie schnell sie sich bewegt), Temperatur (wie sie Wärme transportiert) und Konzentration (wie sich Spezies ausbreiten und reagieren).

Von harten Gleichungen zu schnellen Vorhersagen

Die Abbildung all dieser Kopplungen führt zu einer Reihe hochnichtlinearer Differentialgleichungen, die zunächst durch Ähnlichkeitstransformationen in eine handlichere Form überführt und anschließend numerisch mit einem Randwertlöser gelöst werden. Diese hochaufgelösten Lösungen dienen als Trainingsdaten für ein spezialisiertes Machine-Learning-Modell: ein Morlet-Wavelet-Neuronales-Netzwerk, optimiert mittels Partikelschwarmintelligenz und einem sekundären neuronalen Netz-Optimizer. Anstatt aus experimentellen Messungen zu lernen, lernt das Netzwerk direkt von den detaillierten physikbasierten Lösungen und deckt dabei einen weiten Bereich von Parametern für Magnetfeldstärke, porösen Widerstand, Strahlungsintensität und Aktivierungsenergie ab. Nach dem Training kann es für neue Parameterkombinationen sofort Geschwindigkeits-, Temperatur- und Konzentrationsprofile vorhersagen mit einer Genauigkeit von über 99 % und reduziert dabei die Rechenzeit gegenüber einem erneuten Ausführen des numerischen Solvers um etwa 45 %.

Wie Felder, Wärme und Chemie die Strömung umformen

Die Ergebnisse zeichnen ein klares physikalisches Bild. Stärkere Magnetfelder verlangsamen das Fluid um 15–25 %, da die Lorentzkraft wie eine zusätzliche Bremse wirkt. Erhöhter poröser Widerstand dämpft die Bewegung weiter und wandelt einen Teil der kinetischen Energie der Strömung in Wärme um. Thermische Strahlung und magnetische (Joule-)Erwärmung erhöhen die Temperaturen um etwa 15–20 % und verdicken die thermische Schicht in der Nähe der Oberfläche. Dagegen drosselt höhere Aktivierungsenergie die chemischen Reaktionen, sodass die reaktive Spezies langsamer verbraucht wird und ihre Konzentration in der porösen Region höher bleibt. Im Vergleich zu reinem Motoröl oder Suspensionen mit nur einem Nanopartikeltyp verbessert die Hybridmischung die Wärmeübertragung um etwa 12–30 % und unterstreicht damit ihr Potenzial für anspruchsvolle Kühl- und Schmieraufgaben.

Warum das für reale Maschinen wichtig ist

Für Ingenieurinnen und Ingenieure, die die nächste Generation thermischer Systeme entwerfen, bieten diese Befunde sowohl ein neues Arbeitsfluid als auch ein leistungsfähiges Planungstool. Das Hybridnanofluid liefert überlegene Wärmeabfuhr und Schmierung unter Magnetfeldern, Strahlung und komplexem porösem Widerstand und ist damit für Anwendungen wie intelligente Wärmetauscher, geschmierte Lager, Transformatoren und katalytische Reaktoren attraktiv. Zugleich bietet das neuronale Netz rasche, genaue Vorhersagen von Strömungs-, Wärme- und Stofftransport, ohne dass teure Gleichungen wiederholt gelöst werden müssen. Praktisch bedeutet das schnellere Optimierung von Betriebsparametern und Fluidformulierungen, höhere Energieeffizienz und zuverlässigere thermische Kontrolle in den rauen Umgebungen, in denen moderne Maschinen arbeiten müssen.

Zitation: Ayman-Mursaleen, M., Saeed, S.T., Almohammadi, S.M. et al. A deep neural network model for heat transfer in darcy–forchheimer hybrid nanofluid flow with activation energy. Sci Rep 16, 8339 (2026). https://doi.org/10.1038/s41598-026-39536-x

Schlüsselwörter: Hybridnanofluid, Wärmeübertragung von Motoröl, Magnetohydrodynamik, Strömung in porösen Medien, Neuronales Netzwerkmodell