Un modèle de réseau de neurones profond pour le transfert de chaleur dans l’écoulement d’un nanofluide hybride Darcy–Forchheimer avec énergie d’activation

Huiles moteur plus intelligentes pour conditions extrêmes

Des moteurs de voiture aux centrales électriques, les machines modernes transfèrent d’énormes quantités de chaleur dans des espaces confinés. Les huiles ordinaires peinent à suivre, en particulier à haute température, en présence de champs magnétiques intenses ou à l’intérieur de matériaux poreux comme les filtres et lits catalytiques. Cette étude explore une nouvelle catégorie de lubrifiants « intelligents » — des huiles moteur chargées de fines particules céramiques — et montre comment des réseaux de neurones avancés peuvent prédire la manière dont ces fluides transportent la chaleur et les espèces dissoutes beaucoup plus rapidement que les simulations classiques.

Concevoir un fluide de travail amélioré

Les chercheurs commencent par concevoir un nanofluide hybride : une huile moteur classique enrichie de deux types de nanoparticules, oxyde d’aluminium et dioxyde de titane. Chaque type de particule apporte une conductivité thermique élevée et une robustesse mécanique, et leur combinaison augmente la capacité du fluide à évacuer la chaleur tout en restant stable à des températures supérieures à 300 °C. L’huile de base elle-même se comporte comme un fluide non newtonien de type Casson, ce qui signifie qu’elle résiste au mouvement jusqu’à l’application d’une contrainte suffisante puis s’écoule plus facilement — une description réaliste de nombreux lubrifiants industriels, peintures et suspensions de polymères. Cette combinaison est adaptée aux environnements exigeants tels que les canaux de lubrification, les lits poreux catalytiques et les échangeurs de chaleur compacts.

Conditions extrêmes à l’intérieur des structures poreuses

Pour reproduire des conditions industrielles réelles, l’équipe analyse l’écoulement au-dessus d’une surface s’étirant radialement et enchâssée dans un milieu poreux — une simplification représentant des canaux, des filtres ou des lits compactés. Ici, le fluide subit une résistance due à la perméabilité simple (traînée de Darcy) et à un blocage inertiel supplémentaire (traînée de Forchheimer). Un champ magnétique est appliqué, générant une force de Lorentz qui s’oppose au mouvement, et le fluide absorbe et émet du rayonnement thermique. Parallèlement, une espèce chimique réactive dissoute suit une loi de type Arrhenius : les réactions s’accélèrent fortement une fois que l’énergie d’activation est suffisante. Ces effets couplés déterminent trois profils clés dans la couche fluide : la vitesse (rapidité du mouvement), la température (transport de chaleur) et la concentration (dispersion et réaction des espèces).

Des équations difficiles à des prédictions rapides

La prise en compte de tous ces couplages conduit à un système d’équations différentielles fortement non linéaires, d’abord réduit à une forme plus maniable par des transformations de similarité puis résolu numériquement avec un solveur de problèmes aux limites. Ces solutions haute fidélité servent de données d’entraînement pour un modèle d’apprentissage automatique spécialisé : un réseau de neurones à ondelettes Morlet optimisé par un essaim particulaire et un optimiseur secondaire basé sur un réseau de neurones. Plutôt que d’apprendre à partir de mesures expérimentales, le réseau apprend directement à partir des solutions basées sur la physique détaillée, couvrant une large gamme de paramètres pour l’intensité du champ magnétique, la résistance poreuse, l’intensité du rayonnement et l’énergie d’activation. Une fois entraîné, il peut prédire instantanément les profils de vitesse, de température et de concentration pour de nouvelles combinaisons de paramètres avec une précision supérieure à 99 %, tout en réduisant le temps de calcul d’environ 45 % comparé à un relancement systématique du solveur numérique.

Comment champs, chaleur et chimie reconfigurent l’écoulement

Les résultats révèlent un tableau physique clair. Des champs magnétiques plus forts ralentissent le fluide de 15 à 25 %, la force de Lorentz agissant comme un frein supplémentaire. L’augmentation de la traînée poreuse supprime encore davantage le mouvement, convertissant une partie de l’énergie cinétique de l’écoulement en chaleur. Le rayonnement thermique et le chauffage magnétique (effet Joule) élèvent les températures d’environ 15 à 20 %, épaississant la couche thermique près de la surface. En revanche, une énergie d’activation plus élevée freine les réactions chimiques, si bien que l’espèce réactive est consommée plus lentement et que sa concentration reste plus élevée dans la région poreuse. Comparée à l’huile moteur pure ou à des suspensions contenant un seul type de nanoparticule, la mixture hybride améliore le transfert de chaleur d’environ 12 à 30 %, soulignant son potentiel pour des tâches exigeantes de refroidissement et de lubrification.

Pourquoi cela compte pour les machines réelles

Pour les ingénieurs concevant les systèmes thermiques de prochaine génération, ces conclusions offrent à la fois un nouveau fluide de travail et un outil de conception puissant. Le nanofluide hybride assure une évacuation de chaleur et une lubrification supérieures en présence de champs magnétiques, de rayonnement et de résistances poreuses complexes, le rendant attrayant pour des applications telles que les échangeurs de chaleur intelligents, les paliers lubrifiés, les transformateurs et les réacteurs catalytiques. Parallèlement, la méthode basée sur le réseau de neurones fournit des prédictions rapides et précises des transferts de quantité de mouvement, de chaleur et de masse sans résolution répétée d’équations coûteuses. Concrètement, cela signifie une optimisation plus rapide des conditions de fonctionnement et des formulations de fluides, une meilleure efficacité énergétique et un contrôle thermique plus fiable dans les environnements sévères où opèrent les machines modernes.

Citation: 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

Mots-clés: nanofluide hybride, transfert de chaleur d’huile moteur, magnétohydrodynamique, écoulement en milieu poreux, modélisation par réseau de neurones