Nový matematický model zrychlí návrh průmyslových mazacích systémů

Mezinárodní tým vědců vyvinul pokročilý výpočetní model založený na neuronové síti, který dokáže rychle a s vysokou přesností předpovědět chování motorového oleje s nanočásticemi při zahřívání a proudění v náročných průmyslových podmínkách. Díky tomu lze výrazně urychlit výpočty potřebné pro vývoj efektivnějších technologií.

Výzkumníci z Česka, Pákistánu, Saúdské Arábie a Číny se zaměřili na simulaci složitého proudění motorového oleje obohaceného o nanočástice oxidu hlinitého a oxidu titaničitého. Přestože taková kapalina lépe odvádí teplo, její chování je výrazně složitější než u běžných kapalin.

„Jde o skutečnou výzvu. Proudění kapaliny probíhá za přítomnosti magnetického pole, tepelného záření, vnitřní tvorby tepla i chemické reakce s aktivační energií. Všechny tyto vlivy jsme museli zahrnout, abychom vytvořili funkční model a dokázali přesně předpovědět její chování,“ říká za tým Mohammad Ayman Mursaleen z Katedry matematiky Přírodovědecké fakulty Ostravské univerzity.

Tradiční výpočty tohoto typu proudění kapaliny vyžadují řešení soustavy silně nelineárních rovnic, jejichž zpracování je časově náročné a musí se opakovat při každé změně podmínek. Nový model však funguje jinak.

„Neuronová síť se nejprve naučila chování systému z přesných numerických simulací a poté dokáže rychle předpovídat, jak se kapalina bude chovat při změně podmínek, přičemž si zachovává vysokou míru přesnosti. Výpočty přitom zvládne přibližně o polovinu rychleji než běžné numerické metody,“ uzavírá Mursaleen.

Rychlejší simulace v praxi znamenají, že inženýři mohou během stejného času otestovat více variant řešení, například různé množství nanočástic, intenzitu magnetického pole či podmínky proudění, a hledat optimální nastavení mazacích a chladicích systémů.

Studie zároveň ukazuje, že moderní matematika hraje klíčovou roli při návrhu současných technologií. Kombinace matematického modelování a neuronových sítí tak může najít uplatnění i v dalších oblastech, kde je potřeba rychle a přesně simulovat složité proudění kapalin a přenos tepla v energetice, strojírenství i dalších průmyslových odvětvích.

Ayman-Mursaleen, M., Saeed, S. T., Almohammadi, S. M., Ali, F., & Alshatwi, S. (2026). A deep neural network model for heat transfer in darcy–forchheimer hybrid nanofluid flow with activation energy. Scientific Reports, 16(1), 3291.

Zveřejněno / aktualizováno: 20. 03. 2026