Analisi tramite deep learning per una previsione migliorata del trasferimento di calore in nanofluidi ibridi di Maxwell con legge non‑Fourier ed effetti di radiazione

Trasformare i fluidi in vettori di calore più intelligenti

Le tecnologie moderne — dalle navi a energia solare all’elettronica compatta — dipendono dalla capacità di spostare il calore in modo rapido e sicuro. Oli e refrigeranti convenzionali spesso faticano a stare al passo man mano che i sistemi diventano più piccoli e potenti. Questo articolo esplora come miscelare piccolissime particelle solide nell’olio motore ordinario, e poi usare l’intelligenza artificiale per prevederne il comportamento, possa creare fluidi più intelligenti che trasportano il calore in modo più efficiente e sono rapidi da modellare al calcolatore.

Cosa rende speciali questi fluidi

Lo studio si concentra sui cosiddetti nanofluidi ibridi: olio motore comune arricchito con due tipi di nanotubi di carbonio e particelle di ossido magnetico. Questi additivi su scala nanometrica agiscono come autostrade termiche nel liquido, conferendogli una capacità molto superiore di condurre calore rispetto al solo olio di base. Gli autori considerano questi fluidi che scorrono su una superficie che si allunga o si restringe, un modo standard per modellare il comportamento dei liquidi vicino a pareti calde, rivestimenti o tubi di collettori solari. Vengono inoltre inclusi l’influenza di un campo magnetico e la radiazione termica, entrambi rilevanti in ambienti ad alta temperatura e conduttivi elettricamente, come ricevitori solari e sistemi energetici marini.

Una visione più realistica del trasporto di calore

La maggior parte dei calcoli di trasferimento di calore assume che le variazioni di temperatura si diffondano istantaneamente attraverso un materiale, un’approssimazione nota come legge di Fourier. Pur comoda, questa implicazione di velocità infinita del calore è fisicamente impossibile, soprattutto nei processi molto rapidi o nei materiali strutturati come i nanofluidi. Per ovviare a ciò, gli autori adottano il modello di flusso di calore di Cattaneo–Christov, che introduce un piccolo ma finito ritardo tra una variazione di temperatura e il conseguente flusso termico. Ciò porta a una propagazione del calore di tipo ondulatorio anziché a un appianamento istantaneo, e può alterare in modo significativo le distribuzioni di temperatura nello strato limite di fluido vicino a una superficie calda.

Simulare un flusso complesso

Per descrivere il moto e il riscaldamento del nanofluido ibrido, il team parte dalle equazioni standard di conservazione della massa, della quantità di moto e dell’energia, quindi le adatta a un particolare tipo di liquido viscoelastico noto come fluido di Maxwell. Trasformazioni di similarità riducono le equazioni differenziali alle derivate parziali originali a un sistema di equazioni differenziali ordinarie, risolte numericamente con un risolutore di problemi al contorno ad alta precisione in MATLAB. Gli autori variano sistematicamente i parametri adimensionali chiave, inclusi l’intensità del campo magnetico, la radiazione termica, il numero di Biot (che confronta il flusso termico interno con quello superficiale), lo scorrimento di velocità alla parete, l’aspirazione o l’immissione attraverso la superficie e l’intensità di sorgenti o pozzi di calore interni. Riscontrano che campi magnetici più forti rallentano il fluido, la radiazione termica e numeri di Biot maggiori addensano lo strato limite termico e migliorano l’assorbimento di calore, e che i nanofluidi ibridi superano costantemente i nanofluidi a particella singola nel trasferimento termico.

Lasciare che una rete neurale apprenda la fisica

Risolvere ripetutamente queste equazioni per molte combinazioni di parametri è computazionalmente oneroso, specialmente se gli ingegneri vogliono esplorare progetti o eseguire controlli in tempo reale. Per affrontare questo problema, gli autori addestrano una rete neurale artificiale per agire come modello surrogato. Alimentano la rete con migliaia di soluzioni ad alta fedeltà ottenute dal risolutore numerico, usando la posizione adimensionale nello strato limite e i parametri fisici come input, e il gradiente di velocità risultante e il profilo di temperatura come output. Un perceptron multistrato con due strati nascosti è addestrato usando l’algoritmo di ottimizzazione di Levenberg–Marquardt. La rete riproduce i risultati numerici con errori estremamente piccoli — errori quadratici medi dell’ordine di 10⁻¹¹–10⁻¹² e coefficienti di correlazione praticamente uguali a uno — indicando che ha catturato molto accuratamente le relazioni non lineari sottostanti.

Perché i risultati sono importanti

Per sistemi pratici come imbarcazioni marine alimentate a energia solare, collettori solari a tubo parabolico o lubrificanti avanzati nei motori, questi risultati indicano fluidi in grado sia di assorbire più calore sia di essere previsti rapidamente tramite modelli di IA compatti. I nanofluidi ibridi studiati mostrano prestazioni termiche superiori rispetto a miscele più semplici, mentre il modello non‑Fourier offre un quadro più realistico di come il calore si propaga realmente. Dimostrando che una rete neurale addestrata può sostituire calcoli numerici pesanti senza perdere accuratezza, il lavoro apre la strada a progettazioni, ottimizzazioni e controlli più rapidi di sistemi termici complessi in cui ogni grado di temperatura e ogni watt di energia sprecata contano.

Citazione: 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

Parole chiave: nanofluido ibrido, trasferimento di calore, sistemi solari termici, rete neurale artificiale, conduzione non‑Fourier