科学期刊《科学报告》五月刊发表了一项由来自沙特阿拉伯、伊拉克、印度和俄罗斯的国际科学家团队开展的研究，该团队致力于探索流量计的新功能。我们的同胞，南乌拉尔国立大学仪器和系统技术自诊断和自控实验室副主任弗拉基米尔·西尼岑也参与了该团队的研究。
科学家们致力于利用机器学习模拟纳米流体中的传热。
“传统的CFD建模方法可以提供准确的结果，但需要巨大的计算能力，”弗拉基米尔·西尼岑解释说。 CFD 建模是一种利用纳维-斯托克斯方程求解流体流动和复杂系统（例如，纳米流体管道）传热的计算机建模方法。它需要非常强大的服务器和时间。对一台工业热交换器进行传热建模至少需要两到四周时间！我们方法的创新之处在于将 CFD 方法与机器学习算法（GPR、KNN 和 MLP）相结合。这就像从手动计算转向智能预测：更快、更经济，但精度保持不变。”
结果令人印象深刻：GPR 和 KNN 模型预测温度分布的准确率超过 99.8%。对于流量计和传感器制造商来说，这是一个真正的突破！
例如，该公司正在开发一种用于化工生产的新型传感器。此前，需要进行数周昂贵的 CFD 模拟来校准它。由包括弗拉基米尔·西尼岑在内的科学家团队提出的模型，使得在数小时内以最低成本获得类似的数据成为可能。
尤其令人感兴趣的是使用含有CuO颗粒的纳米流体，这显著改善了传热性能。CuO是氧化铜（Cu代表铜，O代表氧）。将这些纳米颗粒添加到液体（水、油）中，可使导热系数提高20-30%，并提高流动稳定性。
“我们在管道中看到了清晰的抛物线温度曲线，”科学家指出。“这完全符合流动的物理特性，并证实了模型的正确性。对于工程师来说，这些数据就像一座金矿：它有助于优化传感器设计并提高其准确性。”
这项进展可应用于能源、石油化工和气候控制系统。弗拉基米尔·西尼岑的团队计划将这些模型应用于其他类型的液体和复杂的工业系统。这一举措将为仪器工程领域的真正革命开辟道路。