Tiefenlern-Analyse zur verbesserten Vorhersage des Wärmetransports in Maxwell‑Hybrid‑Nanofluiden mit nicht‑Fourier‑Gesetz und Strahlungseinflüssen

Flüssigkeiten zu intelligenteren Wärmeleitern machen

Moderne Technologien – von solarbetriebenen Schiffen bis zu kompakter Elektronik – sind darauf angewiesen, Wärme schnell und sicher abzuleiten. Konventionelle Öle und Kühlmittel stoßen zunehmend an ihre Grenzen, wenn Systeme kleiner und leistungsfähiger werden. Diese Arbeit untersucht, wie das Einmischen winziger Feststoffpartikel in herkömmliches Motoröl und der Einsatz künstlicher Intelligenz zur Vorhersage ihres Verhaltens zu intelligenteren Fluiden führen kann, die Wärme effizienter transportieren und sich gleichzeitig schnell am Computer modellieren lassen.

Was diese Fluide besonders macht

Die Studie konzentriert sich auf sogenannte Hybrid‑Nanofluide: herkömmliches Motoröl, angereichert mit zwei Arten von Kohlenstoffnanoröhren und magnetischen Oxidpartikeln. Diese nanoskaligen Zusätze wirken wie eingebaute Wärmeautobahnen im Fluid und verleihen ihm eine deutlich höhere Wärmeleitfähigkeit als das Grundöl allein. Die Autorinnen und Autoren betrachten den Strömungsfall, in dem das Fluid über eine Oberfläche fließt, die sich dehnt oder zusammenzieht – eine übliche Modellierung, um das Verhalten von Flüssigkeiten in der Nähe heißer Wände, Beschichtungen oder solarer Kollektoren zu beschreiben. Zudem berücksichtigen sie den Einfluss eines Magnetfeldes und thermischer Strahlung, die in hochtemperierten oder elektrisch leitfähigen Umgebungen wie Solarempfängern und maritimen Energiesystemen relevant sein können.

Eine realistischere Sicht auf Wärmeausbreitung

Die meisten Wärmeübertragungsrechnungen gehen davon aus, dass Temperaturänderungen sich augenblicklich in einem Material ausbreiten – eine Näherung, die als Fouriersches Gesetz bekannt ist. Obwohl praktisch, impliziert sie eine unendliche Ausbreitungsgeschwindigkeit der Wärme, was physikalisch unmöglich ist, besonders bei sehr schnellen Vorgängen oder bei strukturierten Materialien wie Nanofluiden. Zur Korrektur verwenden die Autorinnen und Autoren das Cattaneo–Christov‑Modell für den Wärmefluss, das eine kleine, aber endliche Verzögerung zwischen einer Temperaturänderung und dem resultierenden Wärmefluss einbaut. Das führt zu wellenähnlicher Wärmeausbreitung statt zu sofortiger Glättung und kann die Temperaturverteilungen in der Grenzschicht eines Fluids nahe einer heißen Oberfläche wesentlich verändern.

Simulation einer komplexen Strömung

Zur Beschreibung der Bewegung und Erwärmung des Hybrid‑Nanofluids startet das Team mit den Standarderhaltungsgleichungen für Masse, Impuls und Energie und passt sie dann an eine spezielle Art viskoelastischer Flüssigkeit – das Maxwell‑Flüssigkeitsmodell – an. Ähnlichkeitstransformationen reduzieren die ursprünglichen partiellen Differentialgleichungen auf ein System gewöhnlicher Differentialgleichungen, das numerisch mit einem hochgenauen Randwertlöser in MATLAB gelöst wird. Die Autoren variieren systematisch zentrale dimensionslose Parameter, darunter Magnetfeldstärke, thermische Strahlung, die Biot‑Zahl (die inneren und Oberflächenwärmefluss vergleicht), Geschwindigkeitsgleiten an der Wand, Absaugen oder Einblasen durch die Oberfläche sowie die Stärke innerer Wärmequellen oder -senken. Sie stellen fest, dass stärkere Magnetfelder die Strömung verlangsamen, thermische Strahlung und größere Biot‑Zahlen die thermische Grenzschicht verdicken und die Wärmeaufnahme erhöhen, und dass Hybrid‑Nanofluide konstant bessere Wärmetransportleistung erbringen als eindimensionale Nanofluide mit nur einer Partikelart.

Ein neuronales Netzwerk lernt die Physik

Das wiederholte Lösen dieser Gleichungen für viele Parameterkombinationen ist rechenintensiv, besonders wenn Ingenieure Entwürfe erkunden oder Echtzeitregelungen durchführen wollen. Um dem zu begegnen, trainieren die Autorinnen und Autoren ein künstliches neuronales Netzwerk als Ersatzmodell. Sie speisen dem Netzwerk tausende hochaufgelöste Lösungen aus dem numerischen Löser als Trainingsdaten zu, verwenden die dimensionslose Position in der Grenzschicht und physikalische Parameter als Eingaben sowie den resultierenden Geschwindigkeitsgradienten und das Temperaturprofil als Ausgaben. Ein Multilayer‑Perzeptron mit zwei verborgenen Schichten wird mithilfe des Levenberg–Marquardt‑Optimierungsalgorithmus trainiert. Das Netzwerk reproduziert die numerischen Ergebnisse mit extrem kleinen Fehlern – mittlere quadratische Fehler im Bereich von etwa 10⁻¹¹–10⁻¹² und Korrelationskoeffizienten praktisch gleich eins – was darauf hindeutet, dass es die zugrunde liegenden nichtlinearen Zusammenhänge sehr genau erfasst hat.

Warum die Ergebnisse bedeutsam sind

Für praktische Systeme wie solarbetriebene Schiffe, Parabolrinnenkollektoren oder fortschrittliche Schmierstoffe in Motoren deuten diese Befunde auf Fluide hin, die sowohl mehr Wärme aufnehmen können als auch schnell durch kompakte KI‑Modelle vorhersagbar sind. Die hier untersuchten Hybrid‑Nanofluide zeigen eine stärkere thermische Leistung als einfachere Gemische, während das nicht‑Fourier‑Modell ein realistischeres Bild der tatsächlichen Wärmeausbreitung liefert. Indem gezeigt wird, dass ein trainiertes neuronales Netzwerk rechenintensive numerische Berechnungen ohne Genauigkeitsverlust ersetzen kann, eröffnet die Arbeit einen Weg zu schnellerer Auslegung, Optimierung und Regelung komplexer thermischer Systeme, bei denen jeder Temperaturgrad und jedes verlorene Watt zählt.

Zitation: 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

Schlüsselwörter: Hybrid‑Nanofluid, Wärmeübertragung, solare Wärmesysteme, künstliches neuronales Netzwerk, nicht‑Fourier‑Wärmeleitung