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，探索了流量计的新功能，该研究发表在科学期刊《科学报告》上。该团队还包括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。
科学家的研究重点是利用机器学习对纳米流体中的传热进行建模。
“传统的CFD建模方法可以产生准确的结果，但需要巨大的计算能力，”弗拉基米尔·西尼岑解释说。“CFD建模是一种计算机模拟流体流动的方法，它求解纳维-斯托克斯方程和复杂系统（例如，含有纳米流体的管道）的传热问题。它需要非常强大的服务器和时间。” 单个工业热交换器的传热建模至少需要两到四周的时间。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、更便宜，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%。这对流量计和传感器制造商来说是一个真正的突破。
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，它的校准需要数周时间进行昂贵的CFD模拟。由弗拉基米尔·西尼岑等科学家团队开发的模型，能够在数小时内以最低成本获得类似的数据。
特别值得关注的是使用含有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）。这些纳米颗粒被添加到液体（水、油）中，可使导热系数提高 20-30%，并提高流动稳定性。
“我们在管道中观察到了清晰的抛
我们在管道中观察到了清晰的抛物线温度分布，”这位科学家指出。“这与流动物理完全一致，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。
这项进展有望应用于能源、石化和气候控制行业。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。这一举措为仪器仪表的真正革命铺平了道路。