Analiza głębokiego uczenia dla usprawnionego przewidywania wymiany ciepła w hybrydowych nanocieczach Maxwella z prawem niefourierowskim i efektami promieniowania

Przekształcanie cieczy w inteligentniejsze nośniki ciepła

Współczesne technologie — od statków zasilanych energią słoneczną po kompaktową elektronikę — polegają na szybkiej i bezpiecznej dystrybucji ciepła. Tradycyjne oleje i płyny chłodzące często nie nadążają, gdy systemy stają się mniejsze i wydajniejsze. W artykule badano, jak dodanie drobnych cząstek stałych do zwykłego oleju silnikowego, a następnie wykorzystanie sztucznej inteligencji do przewidywania ich zachowania, może stworzyć „inteligentniejsze” ciecze, które efektywniej przenoszą ciepło i jednocześnie są szybkie do modelowania na komputerze.

Co wyróżnia te ciecze

Badanie koncentruje się na tzw. hybrydowych nanocieczach: zwykły olej silnikowy wzbogacony dwoma rodzajami nanorurek węglowych oraz cząstkami tlenku magnetycznego. Te nanoskalowe dodatki działają jak wbudowane w ciecz autostrady ciepła, nadając jej znacznie lepszą zdolność przewodzenia ciepła niż sam olej bazowy. Autorzy rozważają przepływ tych cieczy nad powierzchnią, która się rozciąga lub kurczy — standardowy sposób modelowania zachowania płynów przy gorących ścianach, powłokach czy rurach kolektorów słonecznych. Uwzględniono także wpływ pola magnetycznego i promieniowania termicznego, które mogą mieć znaczenie w środowiskach o wysokiej temperaturze i przewodnictwie elektrycznym, takich jak odbiorniki słoneczne czy systemy morskiej energii.

Bardziej realistyczne spojrzenie na przepływ ciepła

Większość obliczeń wymiany ciepła zakłada, że zmiany temperatury rozchodzą się natychmiast w materiale — przybliżenie znane jako prawo Fouriera. Choć wygodne, implikuje to nieskończoną prędkość przemieszczania się ciepła — fizycznie niemożliwą, szczególnie w bardzo szybkich procesach lub w strukturach takich jak nanociecze. Aby to poprawić, autorzy przyjmują model strumienia ciepła Cattaneo–Christova, który uwzględnia małe, lecz skończone opóźnienie między zmianą temperatury a powstającym przepływem ciepła. Prowadzi to do falopodobnego rozchodzenia się ciepła zamiast natychmiastowego wygładzania i może znacząco zmieniać rozkłady temperatur w warstwie przyściennej płynu przy gorącej powierzchni.

Symulacja złożonego przepływu

Aby opisać ruch i ogrzewanie hybrydowej nanocieczy, zespół wyjściowo korzysta ze standardowych równań zachowania masy, pędu i energii, a następnie dopasowuje je do szczególnego rodzaju lepkiej cieczy sprężystej znanej jako ciecz Maxwella. Przekształcenia podobieństwa redukują pierwotne równania różniczkowe cząstkowe do zestawu równań różniczkowych zwyczajnych, które rozwiązano numerycznie za pomocą wysokodokładnego solwera równań brzegowych w MATLAB-ie. Autorzy systematycznie zmieniają kluczowe bezwymiarowe parametry, w tym natężenie pola magnetycznego, promieniowanie termiczne, liczbę Biota (porównującą wewnętrzny przepływ ciepła z przepływem na powierzchni), poślizg prędkości przy ścianie, ssanie lub dmuchanie przez powierzchnię oraz siłę wewnętrznych źródeł lub pochłaniaczy ciepła. Stwierdzono, że silniejsze pola magnetyczne spowalniają płyn, promieniowanie termiczne i większe liczby Biota pogrubiają warstwę termiczną i zwiększają pobór ciepła, a hybrydowe nanociecze konsekwentnie przewyższają nanociecze z pojedynczymi cząstkami pod względem przenoszenia ciepła.

Pozwolenie sieci neuronowej na nauczenie się fizyki

Rozwiązywanie tych równań wielokrotnie dla wielu kombinacji parametrów jest obliczeniowo wymagające, szczególnie gdy inżynierowie chcą badać warianty projektowe lub prowadzić sterowanie w czasie rzeczywistym. Aby temu zaradzić, autorzy trenują sztuczną sieć neuronową jako model zastępczy. Dostarczają sieci tysiące wysokiej jakości rozwiązań z solwera numerycznego, używając bezwymiarowej pozycji w warstwie przyściennej i parametrów fizycznych jako wejść, a otrzymany gradient prędkości i profil temperatury jako wyjść. Wielowarstwowy perceptron z dwiema warstwami ukrytymi jest trenowany algorytmem optymalizacji Levenberg–Marquardt. Sieć odtwarza wyniki numeryczne z niezwykle małymi błędami — średnie błędy kwadratowe rzędu 10⁻¹¹–10⁻¹² i współczynniki korelacji praktycznie równe jeden — co wskazuje, że bardzo dokładnie uchwyciła podstawowe nieliniowe zależności.

Dlaczego wyniki są istotne

Dla systemów praktycznych, takich jak jednostki morskie zasilane energią słoneczną, kolektory słoneczne paraboliczne czy zaawansowane smary w silnikach, wyniki te wskazują na ciecze, które mogą zarówno pochłaniać więcej ciepła, jak i być szybko przewidywane przez zwarte modele AI. Hybrydowe nanociecze badane w pracy wykazują lepszą wydajność termiczną niż prostsze mieszaniny, natomiast model niefourierowski daje bardziej realistyczny obraz rzeczywistego rozchodzenia się ciepła. Demonstrując, że wytrenowana sieć neuronowa może zastąpić ciężkie obliczenia numeryczne bez utraty dokładności, praca otwiera drogę do szybszego projektowania, optymalizacji i sterowania złożonymi systemami termicznymi, w których każdy stopień temperatury i każdy wat straconej energii mają znaczenie.

Cytowanie: 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

Słowa kluczowe: hybrydowa nanociecz, wymiana ciepła, systemy solarno-termiczne, sztuczna sieć neuronowa, przewodzenie niefourierowskie