Viskozita motorového oleje není pevné číslo. Mění se s teplotou a také podle toho, jak silně je olej mezi pohybujícími se částmi namáhán.
Tato studie sledovala nanomazivo založené na SAE 5W-30 s MWCNT a ZnO nanočásticemi a zkoumala, jak jeho dynamickou viskozitu ovlivňuje teplota, smykové namáhání a koncentrace nanočástic.
Co přesně vědci zkoumali?
Studie se zaměřila na hybridní nanomazivo MWCNT-ZnO / SAE 5W-30.
MWCNT jsou vícestěnné uhlíkové nanotrubice. ZnO je oxid zinečnatý. Oba materiály byly v oleji rozptýleny v malých koncentracích.
Autoři sledovali tři parametry:
- teplotu,
- smykové namáhání,
- objemový podíl nanočástic.
Výstupem byla dynamická viskozita, tedy odpor kapaliny proti proudění při daných podmínkách.
Důležité: studie neprovedla nový motorový experiment. Použila 170 experimentálních hodnot z dřívější práce a na jejich základě vytvořila matematický model.
Jak výrazně měnila viskozitu teplota?
Teplota měla na viskozitu velmi silný vliv.
Výsledek odpovídá základnímu chování motorového oleje: čím vyšší teplota, tím nižší viskozita a tím snadněji olej teče.
Co udělalo s viskozitou smykové namáhání?
Ještě výraznější byl podle autorů vliv smykového parametru.
Při jeho zvýšení z 50 na 1000 rpm klesala naměřená dynamická viskozita přibližně z 400 cP na 25 cP.
To znamená, že odpor kapaliny proti pohybu nebyl konstantní. Viskozita závisela nejen na teplotě, ale také na intenzitě pohybu, kterému bylo mazivo vystaveno.
Jak velký vliv měla koncentrace nanočástic?
Vyšší podíl MWCNT a ZnO vedl obecně k mírnému zvýšení viskozity.
Ve srovnání s teplotou a smykovým namáháním byl ale tento vliv podstatně menší.
Autoři proto uvádějí, že nejvýznamnějším parametrem byl smykový faktor, následovala teplota a až poté koncentrace nanočástic.
Studie tedy neukazuje, že by malé zvýšení koncentrace nanočástic samo o sobě dramaticky změnilo viskozitu. Podstatně důležitější byly provozní podmínky.
Jak přesně dokázala neuronová síť viskozitu předpovídat?
Autoři vyzkoušeli různé struktury umělé neuronové sítě s jednou skrytou vrstvou obsahující 1 až 20 neuronů.
Nejlépe vyšel model se 16 neurony ve skryté vrstvě.
Pro všechna data dosáhl hodnoty R² přibližně 0,9999, tedy velmi těsné shody mezi modelem a použitými experimentálními hodnotami.
U samostatné testovací části dat bylo R² přibližně 0,9997.
Co z této studie plyne pro motorové oleje v praxi?
Studie dobře ukazuje, proč nelze viskozitu motorového oleje chápat jako jednu neměnnou hodnotu.
Skutečné chování oleje závisí na teplotě a smykovém namáhání, kterým je vystaven mezi pohybujícími se částmi.
Zajímavé je také to, že u testovaného nanomaziva měla změna koncentrace nanočástic na viskozitu menší vliv než samotné provozní podmínky.
Model ukazuje, že podobné vztahy lze velmi přesně popsat matematicky, pokud máme dostatek kvalitních experimentálních dat.
Co tato studie naopak nedokazuje?
- Studie neprovedla nový motorový ani tribologický test.
- Použila dříve publikovaná experimentální data o viskozitě.
- Nezkoumala opotřebení motoru ani spotřebu paliva.
- Neřešila, zda nanomazivo splňuje normy nebo schválení výrobců automobilů.
- Vysoké R² znamená velmi dobré přizpůsobení modelu použitým datům, nikoliv automaticky univerzální přesnost pro všechny oleje 5W-30.
- Výsledky nelze automaticky vztahovat na běžný komerční SAE 5W-30 bez nanočástic.
Jaký je hlavní závěr studie?
U testovaného MWCNT-ZnO/SAE 5W-30 měla teplota a smykové namáhání mnohem větší vliv na dynamickou viskozitu než samotná koncentrace nanočástic.
Se zvyšující se teplotou a smykem viskozita výrazně klesala, zatímco vyšší koncentrace částic ji zvyšovala jen relativně mírně.
Neuronová síť dokázala vztah mezi těmito parametry a viskozitou velmi přesně reprodukovat, ale jde především o model chování konkrétního nanomaziva, nikoliv důkaz vyšší kvality běžného motorového oleje.