用于达西–福尔切海默混合纳米流体流动中激活能传热的深度神经网络模型

为艰难工况打造更智能的发动机油

从汽车发动机到发电厂，现代机械在狭小空间中传递大量热量。普通油品在高温、强磁场或滤器与催化床等多孔材料环境下难以胜任。本研究探讨了一类新型“智能”润滑剂——载有微小陶瓷颗粒的发动机油，并展示了先进神经网络如何比传统数值模拟更快地预测这些流体的传热与溶质输运行为。

构建更优的工作流体

研究者首先设计了一种混合纳米流体：在常规发动机油中加入两种纳米颗粒，氧化铝和二氧化钛。每种颗粒都带来高热导率和力学稳定性，两者结合提升了流体的传热能力，并在300 °C以上保持稳定。基底油表现为非牛顿卡孙流体，意味着在达到一定应力前它会抗拒运动，超过该阈值后流动阻力降低——这对许多工业润滑剂、油漆和高分子悬浮液是现实的描述。这一组合专为苛刻工况设计，如润滑通道、催化多孔床和紧凑型热交换器等。

多孔结构中的极端工况

为了模拟真实工业环境，团队分析了嵌入多孔介质中的径向拉伸表面上的流动——这是通道、过滤器或填充床的简化代表。在此流体既要克服简单的渗透阻力（达西阻力），又受额外的惯性阻碍（福尔切海默阻力）。同时施加磁场，会产生抵抗运动的洛伦兹力，流体还吸收并发出热辐射。流体中溶解的反应性物质遵循阿累尼乌斯型动力学：一旦活化能足够，反应速率会显著加快。这些相互耦合的效应共同决定了流体层内三个关键剖面：速度（流速）、温度（传热）和浓度（物质扩散与反应）。

从复杂方程到快速预测

捕捉所有这些耦合会得到一组高度非线性的微分方程，研究者先通过相似变换将其化简为更易处理的形式，然后用边值问题求解器进行数值求解。这些高保真解作为训练数据，被用于一种专门的机器学习模型：Morlet小波神经网络，结合粒子群智能优化及一个次级神经网络优化器进行参数调优。网络不是从实验测量中学习，而是直接从基于物理的详细数值解中学习，覆盖了磁场强度、多孔阻力、辐射强度和活化能等广泛参数。训练完成后，它可以瞬时预测新参数组合下的速度、温度与浓度剖面，精度超过99%，并且相比每次重新运行数值求解器，计算时间约减少45%。

场、热与化学如何重塑流动

结果揭示了清晰的物理图景。更强的磁场使流体速度降低约15–25%，因为洛伦兹力充当了额外的制动。增加的多孔阻力进一步抑制流动，将部分动能转化为热能。热辐射和磁（焦耳）加热使温度上升约15–20%，使靠近表面的热边层增厚。相反，较高的活化能抑制化学反应，使反应物消耗更慢，其浓度在多孔区内保持较高。与纯发动机油或仅含单一纳米颗粒的悬浮液相比，混合体系的传热性能提升约12–30%，凸显其在高需求冷却与润滑任务中的潜力。

对真实机械为何重要

对于设计下一代传热系统的工程师而言，这些发现既提供了一种新的工作流体，又提供了一个强大的设计工具。这种混合纳米流体在磁场、辐射和复杂多孔阻力条件下表现出优越的散热与润滑特性，适用于智能热交换器、润滑轴承、变压器和催化反应器等应用。同时，神经网络框架在无需反复求解昂贵方程的情况下提供了快速且精确的流动、传热与传质预测。在实际层面，这意味着能更快地优化工况与流体配方、提高能效，并在现代机械必须运行的恶劣环境中实现更可靠的热控制。

引用: 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

关键词: 混合纳米流体, 发动机油传热, 磁流体力学, 多孔介质流动, 神经网络建模