מודל רשת עצבית עמוקה להעברת חום בזרימת ננו-נוזל היברידי דרסי–פורכיימר עם אנרגיית הפעלה

שמנים למנועים חכמים למשימות קשות

ממנועי רכב עד תחנות כוח, מכונות מודרניות מעבירות כמויות עצומות של חום דרך מרחבים צרים. שמנים רגילים מתקשים לעמוד בעומס, במיוחד בטמפרטורות גבוהות, בשדות מגנטיים חזקים או בתוך חומרים נקבוביים כמו מסננים ומיטות קטליטיות. מחקר זה בוחן קבוצה חדשה של סיככוכים "חכמים"—שמנים למנוע המכילים חלקיקים קרמיים זעירים—ומראה כיצד רשתות עצביות מתקדמות יכולות לנבא כיצד נוזלים אלה מעבירים חום וכימיקלים מומסים הרבה יותר מהר מאשר סימולציות קונבנציונליות.

בניית נוזל עבודה משופר

החוקרים מתחילים בעיצוב ננו-נוזל היברידי: שמן מנוע רגיל מועשר בשני סוגי ננוחלקיקים, תחמוצת אלומיניום ותחמוצת טיטניום. כל סוג חלקיק מביא קונדוקטיביות תרמית גבוהה ועמידות מכנית, וביחד הם משפרים את יכולת הנוזל לשאת חום תוך שמירה על יציבות בטמפרטורות מעל 300 °C. שמן הבסיס עצמו מתנהג כנוזל קאסון שאינו ניוטוני, כלומר הוא מתנגד לתנועה עד להגעת מאמץ מסוים ואז זורם בקלות רבה יותר—תיאור מציאותי של רבים מהסיככוכים התעשייתיים, הצבעים ותמיסות פולימר. השילוב הזה מותאם לסביבות תובעניות כגון ערוצי סיכה, מיטות נקבוביות קטליטיות ומחליפי חום קומפקטיים.

תנאים קיצוניים בתוך מבנים נקבוביים

כדי לחקות תנאי תעשייה אמיתיים, הצוות מנתח את הזרימה על פני משטח שמתארך רדיאלית המוטמע במדיום נקבובי—עיבוד מפושט לערוצים, מסננים או מיטות ממולאות. כאן הנוזל נתקל בהתנגדות הן מפרמביליות פשוטה (גרירת דרסי) והן מחסימה inertial נוספת (גרירת פורכיימר). מוחל שדה מגנטי, היוצר כוח לורנץ המתנגד לתנועה, והנוזל גם סופג וגם מפיץ קרינה תרמית. בו בזמן, מין כימי תגובתי מומס בנוזל פועל לפי חוק מסוג ארניאוס: התגובות מואצות בחדות ברגע שיש אנרגיית הפעלה מספקת. השפעות משולבות אלה מעצבות שלושה פרופילים מרכזיים בשכבת הנוזל: מהירות (כמה מהר הוא זז), טמפרטורה (איך הוא מעביר חום) וריכוז (כיצד המינים מתפזרים ומגיבים).

משוואות קשות לניבויים מהירים

לכידת כל הקישוריות הזו מובילה למערכת משוואות דיפרנציאליות חזקות לא-ליניאריות, שמראש מצומצמות לצורה יותר ניתנת לניהול באמצעות טרנספורמציות דמיון ואז נפתרות מספרית באמצעות מפענח בעיית ערכי-גבול. פתרונות מדויקים אלה משמשים כנתוני אימון למודל למידת מכונה מותאם: רשת עצבית מוולט מורלט (Morlet Wavelet Neural Network) המיועלת בעזרת אינטיליגנציה של נחיל חלקיקים ואופטימיזר שניוני מבוסס רשת עצבית. במקום ללמוד ממדידות ניסוייות, הרשת לומדת ישירות מהפתרונות המבוססים על פיזיקה מפורטת, ומקיפה טווח רחב של הגדרות עבור חוזק השדה המגנטי, ההתנגדות הנקבובית, עצימות הקרינה ואנרגיית ההפעלה. לאחר האימון היא יכולה לנבא מיד פרופילי מהירות, טמפרטורה וריכוז לשילובים חדשים של פרמטרים בדיוק העולה על 99%, תוך קיצוץ זמן החישוב בכ־45% בערך בהשוואה להרצת המפענח המספרי בכל פעם מחדש.

כיצד שדות, חום וכימיה מעצבים את הזרימה

התוצאות חושפות תמונה פיזיקלית ברורה. שדות מגנטיים חזקים מאטים את הנוזל בכ־15–25%, כאשר כוח לורנץ פועל כמו בלימת-תוספת. גרירת נקבובית מוגברת מדכאת עוד יותר את התנועה, וממירה חלק מאנרגיית הקינטית של הזרימה לחום. קרינה תרמית וחימום ג'ול־מגנטי מעלים את הטמפרטורות בכ־15–20%, ומעבים את שכבת החום בקרבת המשטח. לעומת זאת, אנרגיית הפעלה גבוהה יותר מעכבת את התגובות הכימיות, כך שהמין הריאקטיבי נצרך לאט יותר וריכוזו נשאר גבוה יותר באזור הנקבובי. בהשוואה לשמן מנוע טהור או לתמיסות המכילות סוג ננוחלקיק יחיד, התערובת ההיברידית משפרת את העברת החום בכ־12–30%, מה שמבליט את פוטנציאליה לקירור וסיכה בתנאים תובעניים.

מדוע זה חשוב למכונות אמיתיות

מהנדסים המתכננים מערכות תרמיות מדור הבא יכולים להפיק תועלת הן מנוזל עבודה חדש והן מכלי תכנון חזק. הננו-נוזל ההיברידי מספק הסרת חום וסיכה משופרות תחת שדות מגנטיים, קרינה והתנגדות נקבובית מורכבת, מה שהופך אותו לאטרקטיבי ליישומים כמו מחליפי חום חכמים, מסבים משומנים, שנאים ותגובות קטליטיות. במקביל, מסגרת הרשת העצבית מספקת ניבויים מהירים ומדויקים של זרימה, העברת חום ומסה ללא צורך בפתרון חוזר ונשנה של משוואות יקרות. במונחים מעשיים, המשמעות היא אופטימיזציה מהירה יותר של תנאי תפעול ונוסחאות נוזלים, יעילות אנרגטית טובה יותר ושליטה תרמית אמינה יותר בסביבות הקשות שבהן מכונות מודרניות פועלות.

ציטוט: 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

מילות מפתח: ננו-נוזל היברידי, העברת חום בשמן מנוע, מגנטוהידרודינמיקה, זרימה במדיום נקבובי, מודלינג ברשת עצבית