Un modello di rete neurale profonda per il trasferimento di calore nel flusso di nanofluid ibrido Darcy–Forchheimer con energia di attivazione

Oli motore più intelligenti per lavori gravosi

Dai motori delle auto alle centrali elettriche, le macchine moderne trasportano enormi quantità di calore attraverso spazi ristretti. Gli oli convenzionali faticano a stare al passo, soprattutto a temperature elevate, in presenza di campi magnetici intensi o all’interno di materiali porosi come filtri e letti catalitici. Questo studio esplora una nuova classe di lubrificanti “intelligenti” — oli motore caricati con particelle ceramiche microscopiche — e mostra come reti neurali avanzate possano prevedere il modo in cui questi fluidi trasportano calore e specie chimiche disciolte molto più rapidamente rispetto alle simulazioni convenzionali.

Progettare un fluido di lavoro migliore

I ricercatori partono progettando un nanofluid ibrido: olio motore comune arricchito con due tipi di nanoparticelle, ossido di alluminio e biossido di titanio. Ogni tipo di particella apporta elevata conducibilità termica e robustezza meccanica e insieme migliorano la capacità del fluido di trasportare calore mantenendo stabilità a temperature superiori a 300 °C. L’olio di base si comporta come un fluido non newtoniano di tipo Casson, il che significa che resiste al moto fino a quando non viene applicata una certa tensione e poi scorre più facilmente — una descrizione realistica di molti lubrificanti industriali, vernici e sospensioni polimeriche. Questa combinazione è pensata per ambienti impegnativi come canali di lubrificazione, letti porosi catalitici e scambiatori di calore compatti.

Condizioni estreme all’interno di strutture porose

Per imitare contesti industriali reali, il team analizza il flusso su una superficie che si allunga radialmente inserita in un mezzo poroso — un sostituto semplificato per canali, filtri o letti compatti. Qui il fluido incontra resistenza dovuta sia alla permeabilità semplice (attrito di Darcy) sia a un’inerziale aggiuntiva che ostacola il moto (attrito di Forchheimer). Viene applicato un campo magnetico, che genera una forza di Lorentz che frena il movimento, e il fluido assorbe ed emette radiazione termica. Allo stesso tempo, una specie chimica reattiva disciolta nel fluido segue una legge di tipo Arrhenius: le reazioni accelerano bruscamente una volta che è disponibile sufficiente energia di attivazione. Questi effetti intrecciati determinano tre profili chiave nello strato fluido: velocità (quanto velocemente si muove), temperatura (come trasporta calore) e concentrazione (come le specie si diffondono e reagiscono).

Dalle equazioni complesse a previsioni rapide

Catturare tutti questi accoppiamenti conduce a un sistema di equazioni differenziali altamente non lineari, che vengono prima ridotte a una forma più gestibile tramite trasformazioni di similarità e quindi risolte numericame nte con un risolutore a valore al contorno. Queste soluzioni ad alta fedeltà diventano i dati di addestramento per un modello di apprendimento automatico specializzato: una Morlet Wavelet Neural Network ottimizzata usando particle swarm intelligence e un ottimizzatore secondario a rete neurale. Invece di apprendere da misure sperimentali, la rete impara direttamente dalle soluzioni dettagliate basate sulla fisica, coprendo un’ampia gamma di valori per intensità del campo magnetico, resistenza porosa, intensità della radiazione ed energia di attivazione. Una volta addestrata, può prevedere istantaneamente i profili di velocità, temperatura e concentrazione per nuove combinazioni di parametri con accuratezza superiore al 99%, riducendo il tempo di calcolo di circa il 45% rispetto a rieseguire il risolutore numerico ogni volta.

Come campi, calore e chimica rimodellano il flusso

I risultati rivelano un quadro fisico chiaro. Campi magnetici più forti rallentano il fluido del 15–25%, poiché la forza di Lorentz agisce come un freno aggiuntivo. Un aumento dell’attrito poroso sopprime ulteriormente il moto, convertendo parte dell’energia cinetica del flusso in calore. La radiazione termica e il riscaldamento magnetico (Joule) aumentano le temperature di circa il 15–20%, ispessendo lo strato termico vicino alla superficie. Al contrario, un’energia di attivazione più elevata rallenta le reazioni chimiche, quindi la specie reattiva viene consumata più lentamente e la sua concentrazione resta più alta nella regione porosa. Rispetto al solo olio motore o a sospensioni contenenti un unico tipo di nanoparticella, la miscela ibrida migliora il trasferimento di calore di circa il 12–30%, mettendo in luce le sue potenzialità per raffreddamento e lubrificazione ad alte prestazioni.

Perché questo è importante per le macchine reali

Per gli ingegneri che progettano i sistemi termici di nuova generazione, questi risultati offrono sia un nuovo fluido di lavoro sia uno strumento di progettazione potente. Il nanofluid ibrido garantisce rimozione del calore e lubrificazione superiori in presenza di campi magnetici, radiazione e resistenze porose complesse, rendendolo interessante per applicazioni come scambiatori di calore intelligenti, cuscinetti lubrificati, trasformatori e reattori catalitici. Allo stesso tempo, il framework a rete neurale fornisce previsioni rapide e accurate di flusso, trasferimento di calore e massa senza risolvere ripetutamente equazioni costose. In termini pratici, ciò significa ottimizzazione più rapida delle condizioni operative e delle formulazioni dei fluidi, maggiore efficienza energetica e controllo termico più affidabile negli ambienti ostili in cui le macchine moderne devono operare.

Citazione: 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

Parole chiave: nanofluid ibrido, trasferimento di calore olio motore, magnetoidrodinamica, flusso in mezzi porosi, modellazione con reti neurali