Etkinleştirme enerjili darcy–forchheimer hibrit nanofluid akışında ısı transferi için derin sinir ağı modeli

Zorlu İşler İçin Daha Akıllı Motor Yağları

Otomobil motorlarından enerji santrallerine kadar modern makineler, dar boşluklardan büyük miktarda ısı geçirir. Sıradan yağlar özellikle yüksek sıcaklıklarda, güçlü manyetik alanlar altında veya filtre ve katalitik yataklar gibi gözenekli malzemelerin içinde zorlanır. Bu çalışma, seramik parçacıklarla zenginleştirilmiş “akıllı” yağ sınıfını — motor yağlarını — inceliyor ve gelişmiş sinir ağlarının bu sıvıların ısıyı ve çözünmüş kimyasalları nasıl taşıdığını geleneksel simülasyonlara kıyasla çok daha hızlı tahmin edebildiğini gösteriyor.

Daha İyi Bir Çalışma Akışı Oluşturmak

Araştırmacılar hibrit bir nanofluid tasarımıyla başlıyor: normal motor yağı, alüminyum oksit ve titanyum dioksit olmak üzere iki tür nanoparçacıkla zenginleştiriliyor. Her bir parçacık türü yüksek termal iletkenlik ve mekanik dayanım getiriyor; birlikte akışkanın ısı taşıma yeteneğini arttırırken 300 °C üzerindeki sıcaklıklarda kararlılığını koruyor. Baz yağın kendisi Casson tipi Newton olmayan bir davranış gösteriyor; bu, belirli bir gerilme uygulanana kadar hareketi dirençle karşılaması ve ardından daha kolay akması anlamına geliyor — birçok endüstriyel yağlayıcı, boya ve polimer süspansiyonun gerçekçi bir tanımı. Bu birleşim, yağlama kanalları, katalitik gözenekli yataklar ve kompakt eşanjörler gibi zorlu ortamlar için özel olarak tasarlandı.

Gözenekli Yapılar İçindeki Aşırı Koşullar

Gerçek endüstriyel koşulları taklit etmek için ekip, gözenekli bir ortam içinde gömülü radyal olarak gerilen bir yüzey üzerindeki akışı analiz ediyor — kanallar, filtreler veya dolu yataklar için basitleştirilmiş bir eşdeğer. Burada sıvı hem basit bir geçirgenlikten (Darcy direnci) hem de ek atalet engelinden (Forchheimer direnci) kaynaklanan dirençle karşılaşıyor. Hareketi engelleyen bir Lorentz kuvveti oluşturan manyetik bir alan uygulanıyor ve sıvı hem termal radyasyonu soğuruyor hem de yayıyor. Aynı zamanda sıvı içinde çözünen reaktif bir kimyasal tür, Arrhenius tipi bir yasaya uyuyor: yeterli aktivasyon enerjisi mevcut olduğunda reaksiyonlar hızla hızlanıyor. Bu iç içe geçmiş etkiler, sıvı tabakasında üç temel profilin biçimlenmesini sağlıyor: hız (ne kadar hızlı hareket ediyor), sıcaklık (ısıyı nasıl taşıyor) ve konsantrasyon (türlerin nasıl yayıldığı ve reaksiyona girdiği).

Zor Denklemlerden Hızlı Tahminlere

Tüm bu birleşimler, benzetmelerle daha yönetilebilir bir forma indirgenen ve ardından sınır-değer çözücüsüyle nümerik olarak çözülen yüksek derecede doğrusal olmayan diferansiyel denklem setlerine yol açıyor. Bu yüksek doğruluklu çözümler, uzmanlaşmış bir makine öğrenmesi modeli için eğitim verisi oluyor: parçacık sürü zekası ile optimize edilen ve ikincil bir sinir ağı optimizatörü kullanan Morlet Dalgaletli Sinir Ağı. Ağ, deneysel ölçümlerden ziyade ayrıntılı fizik tabanlı çözümlerden doğrudan öğreniyor; manyetik alan şiddeti, gözenekli direnç, radyasyon yoğunluğu ve aktivasyon enerjisi için geniş bir ayar aralığını kapsıyor. Eğitildikten sonra yeni parametre kombinasyonları için hız, sıcaklık ve konsantrasyon profillerini anında %99’un üzerinde doğrulukla tahmin edebiliyor ve her seferinde nümerik çözücüyü yeniden çalıştırmaya kıyasla hesaplama süresini yaklaşık %45 azaltıyor.

Alanlar, Isı ve Kimya Akışı Nasıl Yeniden Şekillendiriyor

Sonuçlar net bir fiziksel tablo ortaya koyuyor. Daha güçlü manyetik alanlar, Lorentz kuvvetinin ilave bir fren gibi davranması sebebiyle sıvıyı %15–25 oranında yavaşlatıyor. Artan gözenekli direnç hareketi daha da bastırıyor ve akışın kinetik enerjisinin bir kısmını ısıya dönüştürüyor. Termal radyasyon ve manyetik (Joule) ısıtma sıcaklığı yaklaşık %15–20 oranında yükselterek yüzeye yakın termal tabakayı kalınlaştırıyor. Buna karşılık daha yüksek aktivasyon enerjisi kimyasal reaksiyonları yavaşlatıyor; dolayısıyla reaktif tür daha yavaş tüketiliyor ve gözenekli bölgede konsantrasyonu daha yüksek kalıyor. Saf motor yağına veya tek nanoparçacık türü içeren süspansiyonlara kıyasla hibrit karışım, ısı transferini yaklaşık %12–30 oranında iyileştiriyor ve yüksek talepli soğutma ve yağlama görevleri için umut vaat ediyor.

Gerçek Makineler İçin Neden Önemli

Gelecek nesil termal sistemleri tasarlayan mühendisler için bu bulgular hem yeni bir çalışma akışı hem de güçlü bir tasarım aracı sunuyor. Hibrit nanofluid, manyetik alanlar, radyasyon ve karmaşık gözenekli direnç altında üstün ısı giderimi ve yağlama sağlıyor; bu da akıllı eşanjörler, yağlanmış yataklar, trafolar ve katalitik reaktörler gibi uygulamalar için cazip kılıyor. Aynı zamanda sinir ağı çerçevesi, pahalı denklemleri tekrar tekrar çözmeden akış, ısı ve kütle transferinin hızlı ve doğru tahminlerini sunuyor. Pratikte bu, işletme koşullarının ve akışkan formülasyonlarının daha hızlı optimize edilmesi, daha iyi enerji verimliliği ve modern makinelerin çalışmak zorunda olduğu zorlu ortamlarda daha güvenilir termal kontrol anlamına geliyor.

Atıf: 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

Anahtar kelimeler: hibrit nanofluid, motor yağı ısı transferi, manyetohidrodinamik, gözenekli ortam akışı, sinir ağı modelleme