在考虑非傅里叶定律与辐射效应的麦克斯韦混合纳米流体中用于提高传热预测的深度学习分析

将流体变成更“聪明”的传热介质

从太阳能动力船只到紧凑型电子设备，现代技术依赖快速且安全地移动热量。随着系统变得更小、更高功率，传统的油类和冷却剂常常难以跟上。本文探讨通过在普通机油中掺入微小固体颗粒，并利用人工智能预测其行为，如何创造出能更高效传热且易于在计算机上快速建模的“更聪明”流体。

这些流体的特殊之处

研究聚焦于所谓的混合纳米流体：在普通机油中加入两种碳纳米管和磁性氧化物颗粒。这些纳米级添加剂就像嵌入液体中的热量高速公路，使其传热能力显著优于基础机油。作者考虑了这种流体在一个可伸展或收缩的表面上流动，这是描述液体在热壁面、涂层或太阳能集热管附近行为的常用模型。他们还纳入了磁场和热辐射的影响，这两者在高温及具电导性的环境（如太阳接收器和海洋能系统）中可能至关重要。

对热传播的更真实描述

大多数传热计算假定温度变化会在材料中瞬时扩散，这一近似称为傅里叶定律。尽管使用方便，但它隐含热以无限速传播——在物理上不可能，特别是在处理非常快速过程或像纳米流体这样的结构化材料时。为了解决这一问题，作者采用了Cattaneo–Christov热通量模型，它在温度变化与随之产生的热流之间引入了小而有界的延迟。这导致热量以波状方式传播，而非瞬时平滑，并且可以显著改变靠近热壁面的流体边界层中的温度分布。

模拟复杂流动

为了描述混合纳米流体的流动和传热，研究团队从质量、动量和能量的标准守恒方程出发，然后将其针对一种特殊的粘弹性液体——麦克斯韦流体进行调整。相似性变换将原始偏微分方程约化为一组常微分方程，并使用MATLAB中的高精度边值问题求解器进行数值求解。作者系统地改变关键的无量纲参数，包括磁场强度、热辐射、比奥数（用于比较内部与表面热流）、壁面速度滑移、表面的抽吸或吹出，以及内部热源或热汇的强度。他们发现，较强的磁场会减慢流体速度，热辐射和较大的比奥数会使热边界层变厚并增强热吸收，而混合纳米流体在传热方面始终优于单一颗粒纳米流体。

让神经网络学习物理规律

对许多参数组合反复求解这些方程在计算上代价高昂，尤其当工程师希望探索设计或运行实时控制时。为此，作者训练了一个人工神经网络作为代理模型。他们用数千个来自数值求解器的高保真解来训练网络，输入为边界层中的无量纲位置和物理参数，输出为所得的速度梯度和温度剖面。采用具有两层隐含层的多层感知器，并使用Levenberg–Marquardt优化算法进行训练。该网络以极小的误差重现了数值结果——均方误差约为10⁻¹¹–10⁻¹²，相关系数几乎等于一——表明它非常准确地捕捉到了潜在的非线性关系。

这些结果的重要性

对于太阳能动力海船、抛物线槽太阳能集热器或发动机中的先进润滑剂等实际系统，这些发现指向了既能吸收更多热量又能由紧凑的人工智能模型快速预测的流体。所研究的混合纳米流体显示出比更简单混合物更强的热性能，而非傅里叶模型则更真实地描绘了热量的实际传播方式。通过展示训练好的神经网络可以在不损失精度的前提下替代耗时的数值计算，这项工作为复杂热系统的快速设计、优化与控制提供了一条可行路径，在这些系统中每一度温差和每一瓦损耗都至关重要。

引用: 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

关键词: 混合纳米流体, 传热, 太阳能热系统, 人工神经网络, 非傅里叶传导