Non-Fourier yasası ve radyasyon etkileriyle Maxwell hibrit nanofluidlerinde ısı transferinin geliştirilmiş tahmini için derin öğrenme analizi

Sıvıları Daha Akıllı Isı Taşıyıcılarına Dönüştürmek

Güneşle çalışan gemilerden kompakt elektroniğe kadar modern teknolojiler ısıyı hızlı ve güvenli şekilde taşımaya dayanır. Geleneksel yağlar ve soğutucular, sistemler küçüldükçe ve güçlendikçe çoğu zaman yeterince hızlı olamaz. Bu makale, sıradan motor yağını çok küçük katı parçacıklarla zenginleştirmenin ve ardından davranışlarını yapay zekâ ile tahmin etmenin, bilgisayarda hızlı modellenebilen ve ısıyı daha verimli taşıyan daha akıllı sıvılar yaratabileceğini inceliyor.

Bu Sıvıları Özel Kılan Nedir

Çalışma, iki tür karbon nanotüp ve manyetik oksit parçacıkları ile zenginleştirilmiş sıradan motor yağından oluşan sözde hibrit nanofluidlere odaklanır. Bu nanoskaladaki katkılar, sıvı içinde yerleşmiş ısı otoyolları gibi davranarak, baz yağın tek başına sağlayabileceğinden çok daha iyi iletim özellikleri kazandırır. Yazarlar, bu sıvıların bir yüzey üzerinde gerilen veya büzülen bir yüzey boyunca aktığı durumu ele alır; bu, sıcakkanlı duvarlar, kaplamalar veya güneş kollektör tüpleri yakınındaki sıvı davranışını modellemenin standart bir yoludur. Ayrıca manyetik alan ve termal radyasyonun etkisini de dahil ederler; bunlar özellikle güneş alıcıları ve deniz enerjisi sistemleri gibi yüksek sıcaklık ve elektriksel iletkenlik gerektiren ortamlarda önemli olabilir.

Isı Taşınmasına Daha Gerçekçi Bir Bakış

Çoğu ısı transferi hesabı sıcaklıktaki değişikliklerin bir malzeme boyunca anında yayıldığını varsayar; bu, Fourier yasası olarak bilinen bir yaklaşımdır. Uygun olsa da bu, ısının sonsuz hızla hareket ettiği anlamına gelir ki bu fiziksel olarak imkânsızdır; özellikle çok hızlı süreçlerde veya nanofluidler gibi yapılandırılmış malzemelerde. Bunu düzeltmek için yazarlar, sıcaklık değişimi ile ortaya çıkan ısı akısı arasına küçük ama sonlu bir gecikme koyan Cattaneo–Christov ısı akısı modelini benimserler. Bu, ısının anında düzelmesi yerine dalga‑benzeri yayılmasına yol açar ve sıcak bir yüzey yakınındaki akışın sınır tabakasındaki sıcaklık dağılımlarını önemli ölçüde değiştirebilir.

Karmaşık Bir Akışı Simüle Etmek

Hibrit nanofluidin hareketini ve ısınmasını tanımlamak için ekip, kütle, momentum ve enerji için standart korunum denklemlerinden başlar ve bunları Maxwell tipi viskoelastik bir sıvıya uyarlayarak özelleştirir. Benzerlik dönüşümleri, orijinal kısmi diferansiyel denklemleri bir dizi adi diferansiyel denkleme indirger; bunlar MATLAB’de yüksek doğruluklu bir sınır-değer çözücüsü ile sayısal olarak çözülür. Yazarlar manyetik alan şiddeti, termal radyasyon, iç ile yüzey ısı akışı karşılaştıran Biot sayısı, duvar üzerindeki hız kayması, yüzeyden emme veya üfleme ve iç ısı kaynakları/gevşeleri gibi temel boyutsuz parametreleri sistematik olarak değiştirir. Daha güçlü manyetik alanların akışı yavaşlattığını, termal radyasyon ve daha büyük Biot sayıların termal sınır tabakasını kalınlaştırıp ısı soğurmasını artırdığını ve hibrit nanofluidlerin ısı taşıma konusunda tek parçacıklı nanofluidlere kıyasla tutarlı şekilde üstün olduğunu bulurlar.

Sinir Ağına Fizik Öğretmek

Bu denklemleri birçok parametre kombinasyonu için tekrar tekrar çözmek hesaplama açısından maliyetlidir; mühendisler tasarımları keşfetmek veya gerçek zamanlı kontroller yürütmek isterse bu daha da sorun olur. Bunu ele almak için yazarlar, vekil model görevi görecek bir yapay sinir ağı eğitirler. Ağına sayısal çözücünün binlerce yüksek doğruluklu çözümünü beslerler; sınır tabakasındaki boyutsuz konum ve fiziksel parametreleri giriş, ortaya çıkan hız gradyanı ve sıcaklık profillerini çıkış olarak kullanırlar. İki gizli katmanlı çok katmanlı algılayıcı (MLP) Levenberg–Marquardt optimizasyon algoritması ile eğitilir. Ağ, sayısal sonuçları son derece küçük hatalarla yeniden üretir—ortalama kare hatalar yaklaşık 10⁻¹¹–10⁻¹² ve korelasyon katsayıları pratikte bire eşittir—bu da ağın altdaki doğrusal olmayan ilişkileri çok yüksek doğrulukla yakaladığını gösterir.

Sonuçların Önemi

Güneşle çalışan deniz araçları, parabolik oluk güneş kollektörleri veya motorlardaki gelişmiş yağlayıcılar gibi pratik sistemler için bu bulgular, hem daha fazla ısıyı absorbe edebilen hem de kompakt yapay zekâ modelleriyle hızla tahmin edilebilen sıvılara işaret eder. Burada incelenen hibrit nanofluidler, daha basit karışımlara kıyasla daha güçlü termal performans gösterirken, non‑Fourier model ısının gerçekte nasıl yayıldığına daha gerçekçi bir bakış sağlar. Eğitilmiş bir sinir ağının ağır sayısal hesaplamaların yerine yüksek doğrulukla geçebildiğini göstererek çalışma, her derece sıcaklığın ve her enerji kaybı vattının önemli olduğu karmaşık termal sistemlerin daha hızlı tasarımı, optimizasyonu ve kontrolüne giden bir yol sunar.

Atıf: 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

Anahtar kelimeler: hibrit nanofluid, ısı transferi, güneş termal sistemleri, yapay sinir ağı, non‑Fourier iletim