Diepe leeraanalyse voor verbeterde voorspelling van warmteoverdracht in Maxwell-hybride nanofluïda met niet-Fouriaanse wet en stralingseffecten

Vloeistoffen veranderen in slimmere warmtegeleiders

Moderne technologieën — van zonnekrachtige schepen tot compacte elektronica — zijn afhankelijk van het snel en veilig verplaatsen van warmte. Conventionele oliën en koelmiddelen hebben vaak moeite bij steeds kleinere en krachtigere systemen. Dit artikel onderzoekt hoe het mengen van microscopisch kleine vaste deeltjes in gewone motorolie, en vervolgens het gebruik van kunstmatige intelligentie om hun gedrag te voorspellen, kan leiden tot slimmere vloeistoffen die warmte efficiënter transporteren en tegelijk snel op een computer zijn te modelleren.

Wat deze vloeistoffen bijzonder maakt

De studie concentreert zich op zogenoemde hybride nanofluïda: gewone motorolie verrijkt met twee typen koolstofnanobuisjes en magnetische oxidedeeltjes. Deze nanoschaal toevoegingen werken als ingebedde warmte‑snelwegen in de vloeistof, waardoor de warmtegeleiding veel beter wordt dan bij de basisolie alleen. De auteurs beschouwen deze vloeistoffen die langs een oppervlak stromen dat uitrekt of krimpt, een gebruikelijke manier om het gedrag van vloeistoffen nabij hete wanden, coatings of zonnecollectorbuizen te modelleren. Ze nemen ook de invloed van een magnetisch veld en thermische straling mee, wat belangrijk kan zijn in hogetemperatuur‑ en elektrisch geleidend omgevingen zoals zonneontvangers en mariene energiesystemen.

Een realistischer beeld van warmteverplaatsing

De meeste berekeningen van warmteoverdracht gaan ervan uit dat temperatuursveranderingen zich onmiddellijk door een materiaal verspreiden, een benadering bekend als de wet van Fourier. Hoewel praktisch, impliceert dit dat warmte zich met oneindige snelheid verplaatst — fysisch onmogelijk, met name bij zeer snelle processen of gestructureerde materialen zoals nanofluïda. Om dit te corrigeren gebruiken de auteurs het Cattaneo–Christov warmtefluxmodel, dat een kleine maar eindige vertraging inbouwt tussen een temperatuursverandering en de daaruit voortvloeiende warmteflux. Dit leidt tot golfachtige voortplanting van warmte in plaats van onmiddellijke egalisatie, en kan de temperatuurverdeling in de grenslaag van een vloeistof nabij een hete oppervlakte aanzienlijk veranderen.

Het simuleren van een complexe stroming

Om de beweging en verwarming van het hybride nanofluid te beschrijven, zetten de onderzoekers de standaard behoudswetten voor massa, impuls en energie in, en passen deze vervolgens aan voor een speciaal type visco‑elastische vloeistof bekend als een Maxwell‑vloeistof. Similariteitstransformaties reduceren de oorspronkelijke partiële differentiaalvergelijkingen tot een stel gewone differentiaalvergelijkingen, die numeriek worden opgelost met een nauwkeurige boundary‑value solver in MATLAB. De auteurs variëren systematisch belangrijke gedimensioneerde parameters, waaronder de sterkte van het magnetisch veld, thermische straling, het Biot‑getal (dat interne tegenover oppervlakkelijke warmteflux vergelijkt), wrijvingsloze of glijdende snelheid aan de wand, zuiging of blazen door het oppervlak, en de sterkte van interne warmtebronnen of -sinks. Ze vinden dat sterkere magnetische velden de vloeistof vertragen, thermische straling en grotere Biot‑getallen de thermische grenslaag verdiepen en de warmteopname vergroten, en dat hybride nanofluïda consequent beter presteren dan enkelvoudige deeltjesnanofluïda in het verplaatsen van warmte.

Het neurale netwerk de fysica laten leren

Het herhaaldelijk oplossen van deze vergelijkingen voor veel parametercombinaties is rekenkundig intensief, vooral als engineers ontwerpen willen verkennen of realtime besturing willen uitvoeren. Om dit aan te pakken trainen de auteurs een kunstmatig neuraal netwerk als surrogaatmodel. Ze voeden het netwerk met duizenden hoog‑accurate oplossingen van de numerieke solver, met de gedimensioneerde positie in de grenslaag en fysische parameters als ingangen, en de resulterende snelheidsgradiënt en temperatuurprofiel als uitgangen. Een multilayer perceptron met twee verborgen lagen wordt getraind met het Levenberg–Marquardt optimalisatiealgoritme. Het netwerk reproduceert de numerieke resultaten met uiterst kleine fouten — gemiddelde kwadratische fouten rond 10⁻¹¹–10⁻¹² en correlatiecoëfficiënten praktisch gelijk aan één — wat aangeeft dat het de onderliggende niet‑lineaire relaties zeer nauwkeurig heeft vastgelegd.

Waarom de resultaten ertoe doen

Voor praktische systemen zoals zon‑aangedreven marineschepen, parabolische trogzoncollectoren of geavanceerde smeermiddelen in motoren, wijzen deze bevindingen op vloeistoffen die zowel meer warmte kunnen opnemen als snel voorspelbaar zijn door compacte AI‑modellen. De hier bestudeerde hybride nanofluïda laten sterkere thermische prestaties zien dan eenvoudigere mengsels, terwijl het niet‑Fouriaanse model een realistischer beeld geeft van hoe warmte daadwerkelijk voortplant. Door aan te tonen dat een getraind neuraal netwerk kan optreden als vervanger voor zware numerieke berekeningen zonder nauwkeurigheid te verliezen, biedt dit werk een route naar snellere ontwerp‑, optimalisatie‑ en besturingsmogelijkheden voor complexe thermische systemen waarbij elke graad temperatuur en elke verspilde watt telt.

Bronvermelding: 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

Trefwoorden: hybride nanofluid, warmteoverdracht, zonne‑thermische systemen, kunstmatig neuraal netwerk, niet‑Fouriaanse geleiding