Un modelo de red neuronal profunda para la transferencia de calor en el flujo de nanofluido híbrido Darcy–Forchheimer con energía de activación

Aceites de motor más inteligentes para trabajos exigentes

Desde motores de automóviles hasta centrales eléctricas, las máquinas modernas transmiten enormes cantidades de calor a través de espacios reducidos. Los aceites convencionales se quedan cortos, especialmente a altas temperaturas, en presencia de campos magnéticos intensos o dentro de materiales porosos como filtros y lechos catalíticos. Este estudio explora una nueva clase de lubricantes “inteligentes”: aceites de motor cargados con pequeñas partículas cerámicas, y demuestra cómo redes neuronales avanzadas pueden predecir cómo estos fluidos transportan calor y sustancias disueltas mucho más rápido que las simulaciones tradicionales.

Diseñando un fluido de trabajo mejorado

Los investigadores parten del diseño de un nanofluido híbrido: el aceite de motor habitual se enriquece con dos tipos de nanopartículas, óxido de aluminio y dióxido de titanio. Cada tipo de partícula aporta alta conductividad térmica y robustez mecánica, y conjuntamente aumentan la capacidad del fluido para transportar calor mientras mantienen estabilidad por encima de 300 °C. El aceite base se comporta como un fluido no newtoniano tipo Casson, lo que significa que resiste el movimiento hasta que se aplica cierto esfuerzo y luego fluye con mayor facilidad —una descripción realista de muchos lubricantes industriales, pinturas y suspensiones poliméricas. Esta combinación se adapta a entornos exigentes como canales de lubricación, lechos catalíticos porosos y intercambiadores de calor compactos.

Condiciones extremas dentro de estructuras porosas

Para reproducir entornos industriales reales, el equipo analiza el flujo sobre una superficie que se estira radialmente incrustada en un medio poroso —un sustituto simplificado de canales, filtros o lechos empaquetados. Aquí el fluido enfrenta resistencia tanto por la permeabilidad simple (arrastre Darcy) como por un bloqueo inercial adicional (arrastre Forchheimer). Se aplica un campo magnético que genera una fuerza de Lorentz que se opone al movimiento, y el fluido tanto absorbe como emite radiación térmica. Al mismo tiempo, una especie química reactiva disuelta en el fluido sigue una ley tipo Arrhenius: las reacciones se aceleran bruscamente cuando hay suficiente energía de activación disponible. Estos efectos entrelazados conforman tres perfiles clave en la capa de fluido: velocidad (qué tan rápido se mueve), temperatura (cómo transporta calor) y concentración (cómo se dispersan y reaccionan las especies).

De ecuaciones complejas a predicciones rápidas

Capturar todas estas acoplaciones conduce a un conjunto de ecuaciones diferenciales altamente no lineales, que se reducen primero a una forma más manejable mediante transformaciones de semejanza y luego se resuelven numéricamente con un solucionador de valores en la frontera. Estas soluciones de alta fidelidad se convierten en los datos de entrenamiento para un modelo de aprendizaje automático especializado: una Red Neuronal de Onda Morlet optimizada mediante inteligencia de enjambre de partículas y un optimizador neural secundario. En lugar de aprender de mediciones experimentales, la red aprende directamente de las soluciones detalladas basadas en la física, cubriendo un amplio rango de parámetros para la intensidad del campo magnético, la resistencia porosa, la intensidad de la radiación y la energía de activación. Una vez entrenada, puede predecir al instante los perfiles de velocidad, temperatura y concentración para nuevas combinaciones de parámetros con una precisión superior al 99%, reduciendo el tiempo de cómputo en aproximadamente un 45% frente a volver a ejecutar el solucionador numérico cada vez.

Cómo campos, calor y química remodelan el flujo

Los resultados revelan una imagen física clara. Campos magnéticos más fuertes ralentizan el fluido entre un 15 y un 25%, ya que la fuerza de Lorentz actúa como un freno adicional. Un mayor arrastre poroso suprime aún más el movimiento, convirtiendo parte de la energía cinética del flujo en calor. La radiación térmica y el calentamiento magnético (efecto Joule) elevan las temperaturas en torno a un 15–20%, espesando la capa térmica cerca de la superficie. En contraste, una mayor energía de activación frena las reacciones químicas, por lo que la especie reactiva se consume más lentamente y su concentración permanece mayor dentro de la región porosa. En comparación con aceite de motor puro o suspensiones que contienen un solo tipo de nanopartícula, la mezcla híbrida mejora la transferencia de calor en torno a un 12–30%, subrayando su potencial para tareas exigentes de refrigeración y lubricación.

Por qué esto importa para máquinas reales

Para los ingenieros que diseñan sistemas térmicos de nueva generación, estos hallazgos ofrecen tanto un nuevo fluido de trabajo como una poderosa herramienta de diseño. El nanofluido híbrido proporciona una mejor extracción de calor y lubricación bajo campos magnéticos, radiación y resistencias porosas complejas, lo que lo hace atractivo para aplicaciones como intercambiadores de calor inteligentes, cojinetes lubricados, transformadores y reactores catalíticos. Al mismo tiempo, el marco de redes neuronales ofrece predicciones rápidas y precisas de transferencia de flujo, calor y masa sin resolver repetidamente ecuaciones costosas. En términos prácticos, esto significa una optimización más rápida de las condiciones de operación y las formulaciones de fluidos, mayor eficiencia energética y un control térmico más fiable en los entornos hostiles donde deben operar las máquinas modernas.

Cita: 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

Palabras clave: nanofluido híbrido, transferencia de calor en aceite de motor, magnetohidrodinámica, flujo en medios porosos, modelado con redes neuronales