Głęboka sieć neuronowa do modelowania wymiany ciepła w przepływie hybrydowego nanocieczy Darcy–Forchheimera z energią aktywacji

Mądrzejsze oleje silnikowe do wymagających zadań

Od silników samochodowych po elektrownie — współczesne maszyny odprowadzają ogromne ilości ciepła przez szczelne przestrzenie. Zwykłe oleje mają problem, by nadążyć, zwłaszcza przy wysokich temperaturach, silnych polach magnetycznych lub wewnątrz materiałów porowatych, takich jak filtry czy złoża katalityczne. W pracy tej badano nową klasę „inteligentnych” środków smarnych — olejów silnikowych nasyconych drobnymi cząstkami ceramicznymi — oraz pokazano, jak zaawansowane sieci neuronowe mogą przewidywać, jak te płyny przenoszą ciepło i rozpuszczone substancje chemiczne znacząco szybciej niż konwencjonalne symulacje.

Tworzenie lepszego płynu roboczego

Naukowcy zaczynają od zaprojektowania hybrydowego nanocieczy: zwykły olej silnikowy wzbogacono dwoma rodzajami nanocząstek — tlenkiem glinu i tlenkiem tytanu. Każdy typ cząstek wnosi wysoką przewodność cieplną i wytrzymałość mechaniczną, a ich połączenie zwiększa zdolność płynu do przenoszenia ciepła, zachowując stabilność przy temperaturach powyżej 300 °C. Sam olej bazowy zachowuje się jak nie-Newtoniowski płyn Cassona, co oznacza, że stawia opór ruchowi dopóki nie zostanie przekroczone pewne naprężenie, po czym łatwiej płynie — realistyczny opis wielu przemysłowych smarów, farb i zawiesin polimerowych. Tak skomponowana mieszanina jest dostosowana do wymagających warunków, takich jak kanały smarowania, porowate złoża katalityczne oraz kompaktowe wymienniki ciepła.

Ekstremalne warunki w strukturach porowatych

Aby odwzorować rzeczywiste warunki przemysłowe, zespół analizuje przepływ nad powierzchnią rozciągającą się radialnie osadzoną w ośrodku porowatym — uproszczony odpowiednik kanałów, filtrów lub złoży. Płyn napotyka tu opór zarówno od prostego przesączania (tarcie Darcy’ego), jak i dodatkowego zablokowania bezwładnościowego (tarcie Forchheimera). Zastosowano pole magnetyczne, generujące siłę Lorentza, która przeciwdziała ruchowi, a płyn jednocześnie absorbuje i emituje promieniowanie cieplne. Równocześnie rozpuszczona w płynie reaktywna substancja chemiczna podlega prawu typu Arrheniusa: szybkość reakcji gwałtownie rośnie, gdy dostępna jest wystarczająca energia aktywacji. Te powiązane efekty kształtują trzy kluczowe profile w warstwie płynu: prędkość (jak szybko się porusza), temperaturę (jak przenosi ciepło) i stężenie (jak rozprzestrzeniają się i reagują składniki).

Od trudnych równań do szybkich przewidywań

Uchwycenie wszystkich tych sprzężeń prowadzi do zestawu silnie nieliniowych równań różniczkowych, które najpierw sprowadzono do bardziej przystępnej postaci za pomocą transformacji podobieństwa, a następnie rozwiązano numerycznie z użyciem solvera problemu brzegowego. Te wysokiej dokładności rozwiązania stały się danymi treningowymi dla wyspecjalizowanego modelu uczenia maszynowego: sieci neuronowej z falą Morleta optymalizowanej algorytmem roju cząstek oraz dodatkowym optymalizatorem sieciowym. Zamiast uczyć się z pomiarów eksperymentalnych, sieć uczy się bezpośrednio z fizycznie opartych rozwiązań numerycznych, obejmujących szeroki zakres wartości natężenia pola magnetycznego, oporu porowatości, intensywności promieniowania i energii aktywacji. Po treningu potrafi błyskawicznie przewidywać profile prędkości, temperatury i stężenia dla nowych kombinacji parametrów z dokładnością przekraczającą 99%, przy jednoczesnym skróceniu czasu obliczeń o około 45% w porównaniu z ponownym uruchamianiem solvera numerycznego za każdym razem.

Jak pola, ciepło i chemia przekształcają przepływ

Wyniki odsłaniają jasny obraz fizyczny. Silniejsze pola magnetyczne spowalniają płyn o 15–25%, ponieważ siła Lorentza działa jak dodatkowy hamulec. Zwiększony opór porowaty jeszcze bardziej tłumi ruch, zamieniając część energii kinetycznej przepływu na ciepło. Promieniowanie cieplne i ogrzewanie Joule’a (magnetyczne) podnoszą temperatury o około 15–20%, pogrubiając warstwę termiczną przy powierzchni. W przeciwieństwie do tego, wyższa energia aktywacji ogranicza przebieg reakcji chemicznych, więc składnik reaktywny jest zużywany wolniej, a jego stężenie pozostaje wyższe w obszarze porowatym. W porównaniu z czystym olejem silnikowym lub zawiesinami zawierającymi pojedynczy typ nanocząstek, hybrydowa mieszanka poprawia wymianę ciepła o około 12–30%, co podkreśla jej potencjał do zadań wymagających intensywnego chłodzenia i smarowania.

Dlaczego to ma znaczenie dla rzeczywistych maszyn

Dla inżynierów projektujących systemy termiczne nowej generacji wyniki te oferują zarówno nowy płyn roboczy, jak i potężne narzędzie projektowe. Hybrydowy nanociecz zapewnia lepsze odprowadzanie ciepła i smarowanie w obecności pól magnetycznych, promieniowania i złożonych oporów porowatych, co czyni ją atrakcyjną do zastosowań takich jak inteligentne wymienniki ciepła, łożyska smarowane, transformatory czy reaktory katalityczne. Równocześnie ramy oparte na sieciach neuronowych dostarczają szybkie, dokładne przewidywania przepływu, wymiany ciepła i masy bez wielokrotnego rozwiązywania kosztownych równań. W praktyce oznacza to szybszą optymalizację warunków pracy i składu płynów, lepszą efektywność energetyczną i bardziej niezawodną kontrolę termiczną w surowych warunkach, w jakich muszą działać nowoczesne maszyny.

Cytowanie: 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

Słowa kluczowe: hybrydowy nanociecz, wymiana ciepła oleju silnikowego, magnetohydrodynamika, przepływ w ośrodkach porowatych, modelowanie sieciami neuronowymi