Deep learning-analys för förbättrad prediktion av värmeöverföring i Maxwell-hybridnanofluid med icke-Fourier-lag och strålningspåverkan

Gör vätskor till smartare värmebärare

Moderna tekniker—från soldrivna fartyg till kompakta elektroniksystem—är beroende av att kunna avleda värme snabbt och säkert. Konventionella oljor och kylmedel har ofta svårt att hänga med när systemen blir mindre och kraftfullare. Denna artikel undersöker hur man genom att blanda in mycket små fasta partiklar i vanlig motorolja, och sedan använda artificiell intelligens för att förutsäga deras beteende, kan skapa smartare vätskor som transporterar värme mer effektivt samtidigt som de är snabba att modellera i datorn.

Vad som gör dessa vätskor speciella

Studien fokuserar på så kallade hybridnanofluid: vanlig motorolja berikad med två typer av kolnanorör och magnetiska oxidpartiklar. Dessa nanoskaliga tillsatser fungerar som inbäddade värmelinjer i vätskan och ger den betydligt bättre förmåga att leda värme än basoljan ensam. Författarna betraktar dessa vätskor som flyter över en yta som antingen sträcks eller krymper, ett standard sätt att modellera hur vätskor beter sig nära varma väggar, beläggningar eller solfångarrör. De inkluderar också påverkan av ett magnetfält och termisk strålning, båda viktiga i högtemperatur- och elektriskt ledande miljöer såsom solmottagare och marin energiteknik.

En mer realistisk bild av hur värme sprider sig

De flesta beräkningar av värmeöverföring antar att temperaturskillnader sprids omedelbart genom ett material, en approximation känd som Fouriers lag. Även om detta är praktiskt implicerar det att värme rör sig med oändlig hastighet—fysiskt omöjligt, särskilt vid mycket snabba processer eller i strukturerade material som nanofluid. För att åtgärda detta använder författarna Cattaneo–Christov-modellen för värmeflöde, som inför en liten men ändlig fördröjning mellan en temperaturförändring och det resulterande värmeflödet. Detta leder till vågliknande spridning av värme istället för omedelbar utjämning, och kan avsevärt förändra temperaturfördelningarna i gränsskiktet nära en het yta.

Simulering av ett komplext flöde

För att beskriva rörelse och uppvärmning av hybridnanofluiden utgår teamet från de vanliga bevarandelagarna för massa, rörelsemängd och energi, och anpassar dem till en särskild typ av viskoelastisk vätska känd som en Maxwell-vätska. Likhetsomvandlingar reducerar de ursprungliga partiella differentialekvationerna till ett system av ordinära differentialekvationer, vilka löses numeriskt med en högprecision boundary-value-lösare i MATLAB. Författarna varierar systematiskt viktiga dimensionslösa parametrar, inklusive magnetfältets styrka, termisk strålning, Biot‑talet (som jämför intern och ytliga värmeflöden), hastighetsslip vid väggen, sug eller blåsning genom ytan samt styrkan hos interna värmekällor eller -sänkor. De finner att starkare magnetfält saktar ned vätskan, att termisk strålning och högre Biot‑tal förtjockar det termiska gränsskiktet och ökar värmeupptaget, och att hybridnanofluid konsekvent överträffar enkelpartikelnanofluid när det gäller värmetransport.

Låta ett neuralt nätverk lära fysiken

Att lösa dessa ekvationer upprepade gånger för många parameterkombinationer är beräkningsmässigt krävande, särskilt om ingenjörer vill utforska konstruktioner eller köra realtidsreglering. För att hantera detta tränar författarna ett artificiellt neuralt nätverk som en surrogatmodell. De matar nätverket med tusentals högupplösta lösningar från den numeriska lösaren, använder den dimensionslösa positionen i gränsskiktet och de fysiska parametrarna som indata, och den resulterande hastighetsgradienten och temperaturprofilen som utdata. Ett multilagers perceptron med två dolda lager tränas med Levenberg–Marquardt-optimeringsalgoritmen. Nätverket reproducerar de numeriska resultaten med extremt små fel—medelkvadratiska fel kring 10⁻¹¹–10⁻¹² och korrelationskoefficienter i praktiken lika med ett—vilket indikerar att det fångat de underliggande icke‑linjära sambanden mycket noggrant.

Varför resultaten är viktiga

För praktiska system som soldrivna fartyg, paraboltrågssolfångare eller avancerade smörjmedel i motorer pekar dessa fynd mot vätskor som både kan absorbera mer värme och förutsägas snabbt av kompakta AI-modeller. De studerade hybridnanofluiderna visar bättre termisk prestanda än enklare blandningar, medan den icke‑Fourierska modellen ger en mer realistisk bild av hur värme faktiskt sprider sig. Genom att visa att ett tränat neuralt nätverk kan ersätta tunga numeriska beräkningar utan att förlora noggrannhet erbjuder arbetet en väg mot snabbare design, optimering och styrning av komplexa termiska system där varje grads temperatur och varje förlorad watt räknas.

Citering: 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

Nyckelord: hybridnanofluid, värmeöverföring, soltermiska system, artificiellt neuronalt nätverk, icke-Fourier-ledning