Análisis mediante aprendizaje profundo para una predicción mejorada de la transferencia de calor en nanofluidos híbridos Maxwell con ley no‑Fourier y efectos de radiación

Convertir los fluidos en transportadores de calor más inteligentes

Las tecnologías modernas —desde barcos impulsados por energía solar hasta electrónica compacta— dependen de mover el calor rápida y seguramente. Los aceites y refrigerantes convencionales a menudo no dan la talla a medida que los sistemas se vuelven más pequeños y potentes. Este artículo explora cómo la mezcla de pequeñas partículas sólidas en aceite de motor común, y el uso de inteligencia artificial para predecir su comportamiento, puede generar fluidos más inteligentes que transportan el calor con mayor eficiencia y que además son rápidos de modelar por ordenador.

Qué hace especiales a estos fluidos

El estudio se centra en los llamados nanofluidos híbridos: aceite de motor corriente enriquecido con dos tipos de nanotubos de carbono y partículas de óxido magnético. Estos aditivos a escala nanométrica actúan como autopistas térmicas integradas en el líquido, otorgándole una capacidad de conducción de calor muy superior a la del aceite base. Los autores consideran el flujo de estos fluidos sobre una superficie que se estira o se contrae, una forma estándar de modelar el comportamiento de líquidos cerca de paredes calientes, recubrimientos o tubos de colectores solares. También incluyen la influencia de un campo magnético y de la radiación térmica, ambos importantes en entornos de alta temperatura y conductividad eléctrica, como receptores solares y sistemas de energía marina.

Una visión más realista del transporte de calor

La mayoría de los cálculos de transferencia de calor asumen que los cambios de temperatura se propagan instantáneamente por un material, una aproximación conocida como la ley de Fourier. Aunque conveniente, eso implica que el calor se mueve a velocidad infinita —físicamente imposible, especialmente en procesos muy rápidos o en materiales estructurados como los nanofluidos. Para corregirlo, los autores adoptan el modelo de flujo de calor de Cattaneo–Christov, que incorpora un pequeño pero finito retardo entre un cambio de temperatura y el flujo de calor resultante. Esto conduce a una propagación de tipo ondulatorio del calor en lugar de un suavizado instantáneo, y puede alterar de forma significativa las distribuciones de temperatura en la capa límite del fluido junto a una superficie caliente.

Simulando un flujo complejo

Para describir el movimiento y el calentamiento del nanofluido híbrido, el equipo parte de las ecuaciones de conservación estándar de masa, cantidad de movimiento y energía, y las adapta a un tipo especial de líquido viscoelástico conocido como fluido Maxwell. Transformaciones de similitud reducen las ecuaciones en derivadas parciales originales a un conjunto de ecuaciones diferenciales ordinarias, que se resuelven numéricamente con un solver de problemas de valor en la frontera de alta precisión en MATLAB. Los autores varían de forma sistemática parámetros adimensionales clave, incluyendo la intensidad del campo magnético, la radiación térmica, el número de Biot (que compara el flujo térmico interno con el superficial), el deslizamiento de velocidad en la pared, succión o soplado a través de la superficie, y la magnitud de fuentes o sumideros internos de calor. Encuentran que campos magnéticos más intensos ralentizan el fluido; la radiación térmica y números de Biot mayores engrosan la capa límite térmica y aumentan la absorción de calor; y los nanofluidos híbridos superan de forma consistente a los nanofluidos de partícula única en el transporte de calor.

Permitiendo que una red neuronal aprenda la física

Resolver estas ecuaciones repetidamente para muchas combinaciones de parámetros exige mucha capacidad computacional, especialmente si los ingenieros quieren explorar diseños o ejecutar controles en tiempo real. Para afrontarlo, los autores entrenan una red neuronal artificial para que actúe como modelo sustituto. Alimentan la red con miles de soluciones de alta fidelidad obtenidas del solver numérico, usando la posición adimensional en la capa límite y los parámetros físicos como entradas, y el gradiente de velocidad resultante y el perfil de temperatura como salidas. Se entrena un perceptrón multicapa con dos capas ocultas mediante el algoritmo de optimización de Levenberg–Marquardt. La red reproduce los resultados numéricos con errores extremadamente pequeños —errores medios cuadráticos del orden de 10⁻¹¹–10⁻¹² y coeficientes de correlación prácticamente iguales a uno—, lo que indica que ha capturado con gran precisión las relaciones no lineales subyacentes.

Por qué importan los resultados

Para sistemas prácticos como embarcaciones marinas alimentadas por energía solar, colectores solares de canal parabólico o lubricantes avanzados en motores, estos hallazgos señalan fluidos que pueden tanto absorber más calor como ser predichos rápidamente por modelos compactos de IA. Los nanofluidos híbridos estudiados muestran un rendimiento térmico superior al de mezclas más simples, mientras que el modelo no‑Fourier ofrece una imagen más realista de cómo se propaga realmente el calor. Al demostrar que una red neuronal entrenada puede sustituir cálculos numéricos costosos sin perder precisión, el trabajo ofrece una vía hacia un diseño, optimización y control más rápidos de sistemas térmicos complejos, en los que cada grado de temperatura y cada vatio de energía desperdiciada cuentan.

Cita: Alsaiar, N.S., Imran, M., Rukhsar, M. et al. Deep learning analysis for enhanced prediction of heat transfer in Maxwell hybrid nanofluids with non-Fourier law and radiation effects. Sci Rep 16, 13926 (2026). https://doi.org/10.1038/s41598-026-43327-9

Palabras clave: nanofluido híbrido, transferencia de calor, sistemas solares térmicos, red neuronal artificial, conducción no‑Fourier