Um modelo de rede neural profunda para transferência de calor em escoamento de nanofluido híbrido Darcy–Forchheimer com energia de ativação

Óleos de motor mais inteligentes para trabalhos exigentes

De motores de automóveis a usinas, máquinas modernas escoam enormes quantidades de calor por espaços confinados. Óleos comuns têm dificuldade em acompanhar, especialmente em altas temperaturas, sob campos magnéticos intensos ou dentro de materiais porosos como filtros e leitos catalíticos. Este estudo explora uma nova classe de lubrificantes “inteligentes”—óleos de motor carregados com minúsculas partículas cerâmicas—e mostra como redes neurais avançadas podem prever como esses fluidos transportam calor e substâncias dissolvidas muito mais rápido do que simulações convencionais.

Construindo um fluido de trabalho melhor

Os pesquisadores começam projetando um nanofluido híbrido: o óleo de motor comum é enriquecido com dois tipos de nanopartículas, óxido de alumínio e dióxido de titânio. Cada tipo de partícula fornece alta condutividade térmica e robustez mecânica, e juntos aumentam a capacidade do fluido de transportar calor mantendo-se estáveis em temperaturas acima de 300 °C. O óleo base comporta-se como um fluido não newtoniano do tipo Casson, o que significa que resiste ao movimento até que certa tensão seja aplicada e então flui mais facilmente—uma descrição realista de muitos lubrificantes industriais, tintas e suspensões poliméricas. Essa combinação é adaptada para ambientes exigentes como canais de lubrificação, leitos porosos catalíticos e trocadores de calor compactos.

Condições extremas dentro de estruturas porosas

Para mimetizar cenários industriais reais, a equipe analisa o escoamento sobre uma superfície que se estende radialmente embutida em um meio poroso—um substituto simplificado para canais, filtros ou leitos empacotados. Aqui o fluido enfrenta resistência tanto da permeabilidade simples (arrasto de Darcy) quanto de bloqueio inercial adicional (arrasto de Forchheimer). Um campo magnético é aplicado, gerando uma força de Lorentz que resiste ao movimento, e o fluido tanto absorve quanto emite radiação térmica. Ao mesmo tempo, uma espécie química reativa dissolvida no fluido segue uma lei do tipo Arrhenius: as reações aceleram abruptamente quando há energia de ativação suficiente. Esses efeitos interligados moldam três perfis chave na camada do fluido: velocidade (quão rápido se move), temperatura (como transporta calor) e concentração (como as espécies se difundem e reagem).

De equações complexas a previsões rápidas

Capturar todas essas acoplamentos leva a um conjunto de equações diferenciais altamente não lineares, que são primeiro reduzidas a uma forma mais manejável usando transformações de semelhança e então resolvidas numericamente com um solucionador de valor de contorno. Essas soluções de alta fidelidade tornam-se os dados de treinamento para um modelo especializado de aprendizado de máquina: uma Rede Neural de Onda Morlet otimizada usando inteligência de enxame de partículas e um otimizador secundário de rede neural. Em vez de aprender com medições experimentais, a rede aprende diretamente das soluções físicas detalhadas, cobrindo uma ampla gama de parâmetros para intensidade do campo magnético, resistência porosa, intensidade de radiação e energia de ativação. Uma vez treinada, ela pode prever instantaneamente os perfis de velocidade, temperatura e concentração para novas combinações de parâmetros com precisão acima de 99%, enquanto reduz o tempo de cálculo em cerca de 45% em comparação com rerodar o solucionador numérico a cada vez.

Como campos, calor e química remodelam o escoamento

Os resultados revelam um quadro físico claro. Campos magnéticos mais fortes desaceleram o fluido em 15–25%, já que a força de Lorentz atua como um freio adicional. O aumento do arrasto poroso suprime ainda mais o movimento, convertendo parte da energia cinética do escoamento em calor. Radiação térmica e aquecimento magnético (efeito Joule) elevam as temperaturas em aproximadamente 15–20%, espessando a camada térmica próxima à superfície. Em contraste, maior energia de ativação restringe as reações químicas, de modo que a espécie reativa é consumida mais lentamente e sua concentração permanece mais alta dentro da região porosa. Comparado ao óleo de motor puro ou a suspensões contendo um único tipo de nanopartícula, a mistura híbrida melhora a transferência de calor em cerca de 12–30%, destacando seu potencial para tarefas de resfriamento e lubrificação de alta demanda.

Por que isso importa para máquinas reais

Para engenheiros que projetam sistemas térmicos de próxima geração, esses achados oferecem tanto um novo fluido de trabalho quanto uma ferramenta poderosa de projeto. O nanofluido híbrido proporciona remoção de calor e lubrificação superiores sob campos magnéticos, radiação e resistência porosa complexa, tornando-o atraente para aplicações como trocadores de calor inteligentes, mancais lubrificados, transformadores e reatores catalíticos. Ao mesmo tempo, a estrutura de rede neural fornece previsões rápidas e precisas de escoamento, transferência de calor e massa sem resolver repetidamente equações dispendiosas. Em termos práticos, isso significa otimização mais rápida das condições de operação e formulações de fluido, maior eficiência energética e controle térmico mais confiável nos ambientes hostis em que máquinas modernas precisam operar.

Citação: 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

Palavras-chave: nanofluido híbrido, transferência de calor em óleo de motor, magnetohidrodinâmica, escoamento em meios porosos, modelagem por rede neural