En djup neuronnätmodell för värmeöverföring i darcy–forchheimer hybridnanofluidströmning med aktiveringsenergi

Smartare motoroljor för krävande uppgifter

Från bilmotorer till kraftverk pressar moderna maskiner enorma mängder värme genom trånga utrymmen. Vanliga oljor har svårt att hänga med, särskilt vid höga temperaturer, starka magnetfält eller inne i porösa material som filter och katalytiska bäddar. Denna studie utforskar en ny klass av ”smarta” smörjmedel—motoroljor laddade med små keramiska partiklar—och visar hur avancerade neuronnät kan förutsäga hur dessa vätskor transporterar värme och lösta kemikalier mycket snabbare än konventionella simuleringar.

Att bygga en bättre arbetsvätska

Forskarna börjar med att utforma en hybridnanofluid: vanlig motorolja berikas med två typer nanopartiklar, aluminiumoxid och titandioxid. Varje partikeltyp bidrar med hög värmeledningsförmåga och mekanisk robusthet, och tillsammans förbättrar de vätskans förmåga att föra bort värme samtidigt som stabiliteten bibehålls vid temperaturer över 300 °C. Basoljan själv uppvisar ett icke-newtonskt Casson-beteende, vilket innebär att den motstår rörelse tills en viss spänning appliceras och sedan flödar lättare—en realistisk beskrivning av många industriella smörjmedel, färger och polymersuspensioner. Denna kombination är anpassad för krävande miljöer såsom smörjkanaler, katalytiska porösa bäddar och kompakta värmeväxlare.

Extrema förhållanden inne i porösa strukturer

För att efterlikna verkliga industriella miljöer analyserar teamet flödet över en radiellt töjande yta inbäddad i ett poröst medium—en förenklad ersättning för kanaler, filter eller packade bäddar. Här möter vätskan motstånd både från enkel permeabilitet (Darcy-drag) och ytterligare tröghetsblockering (Forchheimer-drag). Ett magnetfält appliceras, vilket genererar en Lorentz-kraft som motverkar rörelsen, och vätskan både absorberar och avger termisk strålning. Samtidigt följer en reaktiv kemisk art löst i vätskan en Arrhenius-liknande lag: reaktionerna accelererar kraftigt när tillräcklig aktiveringsenergi finns tillgänglig. Dessa sammanflätade effekter formar tre viktiga profiltyper i vätskeskiktet: hastighet (hur snabbt det rör sig), temperatur (hur värme transporteras) och koncentration (hur arter sprider sig och reagerar).

Från svåra ekvationer till snabba förutsägelser

Att fånga alla dessa kopplingar leder till ett system av högt icke-linjära differentialekvationer, som först reduceras till en mer hanterbar form med hjälp av likhets-transformationer och sedan löses numeriskt med en randvärdesslösare. Dessa högupplösta lösningar blir träningsdata för en specialiserad maskininlärningsmodell: ett Morlet Wavelet Neural Network optimerat med partikelsvärmsintelligens och en sekundär neuronnätsoptimerare. Istället för att lära sig från experimentella mätningar lär sig nätverket direkt från de detaljerade fysikbaserade lösningarna, som täcker ett brett spektrum av inställningar för magnetfältstyrka, poröst motstånd, strålningsintensitet och aktiveringsenergi. När det är tränat kan det omedelbart förutsäga hastighets-, temperatur- och koncentrationsprofiler för nya parameterkombinationer med noggrannhet över 99 %, samtidigt som beräkningstiden minskas med cirka 45 % jämfört med att köra den numeriska lösaren på nytt varje gång.

Hur fält, värme och kemi omformar flödet

Resultaten avslöjar en tydlig fysikalisk bild. Starkare magnetfält saktar ner vätskan med 15–25 %, eftersom Lorentz-kraften fungerar som en extra broms. Ökat poröst drag dämpar rörelsen ytterligare och omvandlar en del av flödets kinetiska energi till värme. Termisk strålning och magnetisk (Joule-) uppvärmning höjer temperaturerna med ungefär 15–20 %, vilket förtjockar det termiska lagret nära ytan. I kontrast hämmar högre aktiveringsenergi de kemiska reaktionerna, så den reaktiva arten förbrukas långsammare och dess koncentration förblir högre inom det porösa området. Jämfört med ren motorolja eller suspensioner som innehåller en enda nanopartikeltyp förbättrar hybridblandningen värmeöverföringen med cirka 12–30 %, vilket framhäver dess potential för högkrävande kyl- och smörjuppgifter.

Varför detta är viktigt för verkliga maskiner

För ingenjörer som designar nästa generations termiska system erbjuder dessa fynd både en ny arbetsvätska och ett kraftfullt designverktyg. Hybridnanofluiden ger överlägsen värmeavledning och smörjning under magnetfält, strålning och komplext poröst motstånd, vilket gör den attraktiv för tillämpningar som smarta värmeväxlare, smorda lager, transformatorer och katalytiska reaktorer. Samtidigt ger neuronnätsramverket snabba, precisa förutsägelser av flöde, värme- och massöverföring utan att upprepat lösa kostsamma ekvationer. I praktiska termer innebär detta snabbare optimering av driftsförhållanden och vätskeformuleringar, bättre energieffektivitet och mer tillförlitlig termisk kontroll i de hårda miljöer där moderna maskiner måste fungera.

Citering: 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

Nyckelord: hybridnanofluid, motoroljans värmeöverföring, magnetohydrodynamik, flöde i poröst medium, neuronnätsmodellering