В научном журнале «Scientific Reports» опубликовано исследование международной команды учёных из Саудовской Аравии, Ирака, Индии, России, посвященное новым возможностям расходомеров. В состав команды вошел и наш соотечественник – заместитель заведующего лабораторией НИЛ Технической самодиагностики и самоконтроля приборов и систем ЮУрГУ Владимир Синицин.
Исследование ученых посвящено применению машинного обучения для моделирования теплопередачи в наножидкостях.
«Традиционные методы CFD-моделирования дают точные результаты, но требуют огромных вычислительных мощностей, — объясняет Владимир Синицын. –CFD-моделирование – это компьютерное моделирование течения жидкости с решением уравнений Навье-Стокса и теплопередачи для сложных систем (например, труб с наножидкостями). Оно требует очень мощных серверов и времени. Моделирование теплообмена в одном промышленном теплообменнике может занять не менее двух- четырех недель. Новаторство нашего метода в том, что мы объединили CFD-методы с алгоритмами машинного обучения — GPR, KNN и MLP. Это как перейти от ручных расчётов к умному прогнозированию: быстрее, дешевле, но на том же уровне точности».
Результаты впечатляют: модели GPR и KNN предсказывают распределение температуры с точностью свыше 99,8%. Для производителей расходомеров и датчиков это настоящий прорыв.
К примеру, компания разрабатывает новый датчик для химического производства. Раньше для его калибровки требовались недели дорогостоящих CFD-симуляций. Модели, предложенные коллективом ученых, в который входит Владимир Синицин, позволяют получить аналогичные данные буквально за часы, причём с минимальными затратами.
Особый интерес представляет использование наножидкостей с частицами CuO, которые значительно улучшают теплопередачу. CuO – оксид меди (Cu — медь, O — кислород). Эти наночастицы добавляют в жидкости (воду, масло), чтобы увеличить теплопроводность на 20–30% и улучшить стабильность потока.
«Мы увидели чёткий параболический профиль температуры в трубе, — отмечает учёный. — Это полностью соответствует физике течения и подтверждает, что модели работают корректно. Для инженеров такие данные — золотая жила: они помогают оптимизировать конструкции датчиков и повышать их точность».
Разработка может найти применение в энергетике, нефтехимии и системах климат-контроля. В планах команды В.В. Синицина: адаптация моделей для других типов жидкостей и сложных промышленных систем. Этот шаг открывает дорогу для настоящей революции в приборостроении.
Юлия Шерстобитова