Investigación basada en inteligencia computacional sobre la mejora de la transferencia de calor y la optimización de entropía en el flujo de nanofluido tri-híbrido sobre una aguja paraboloide

Por qué importa enfriar dispositivos diminutos

Desde teléfonos inteligentes hasta sensores médicos, la tecnología moderna concentra mucho calor en espacios muy reducidos. Mantener estos dispositivos fríos sin desperdiciar energía es un reto creciente. Este estudio explora un nuevo tipo de líquido refrigerante cargado con distintos tipos de nanopartículas y utiliza inteligencia artificial para predecir qué tan bien evacua el calor de una delgada aguja calentada. Los resultados podrían orientar una mejor gestión térmica en electrónica, herramientas biomédicas y sistemas energéticos.

Mezclar partículas especiales en líquidos inteligentes

En lugar de usar agua o aceite simples, los investigadores examinan nanofluidos, es decir, líquidos cargados con partículas sólidas extremadamente pequeñas que conducen bien el calor. Se centran en dos mezclas: un nanofluido “híbrido” con dos tipos de partículas y un nanofluido ternario o tri-híbrido con tres. El líquido base es una mezcla de agua y etilenglicol, un refrigerante habitual. A esto añaden dióxido de titanio por su estabilidad química, nanotubos de carbono multiwall por su muy alta conductividad térmica y óxido de aluminio para mejorar la dispersión y la relación coste-eficacia. En conjunto, estos ingredientes pretenden transportar el calor más eficientemente que los refrigerantes ordinarios o los nanofluidos más sencillos.

Flujo alrededor de un objeto con forma de aguja

El equipo estudia cómo estos líquidos complejos fluyen alrededor de una aguja calentada con forma paraboloide curva. Esta geometría representa componentes diminutos como agujas médicas, hilos finos o tubos a microescala donde la extracción de calor es crítica. El fluido también se modela como un fluido de Casson, un modelo usado habitualmente para materiales como la sangre o pastas espesas que comienzan a fluir solo cuando se supera un cierto umbral de esfuerzo. Se incluyen un campo magnético, radiación térmica y efectos de migración de partículas, creando una imagen realista de cómo interactúan calor, momento y materia en la pequeña región alrededor de la aguja.

Equilibrando transferencia de calor y pérdidas de energía

Más allá de la simple capacidad de enfriamiento, los autores estudian la generación de entropía, una medida de cuánto de la energía útil se pierde de forma irreversible a medida que el calor se difunde y la fricción resiste el movimiento. Encuentran que el nanofluido tri-híbrido tiende a aumentar la tensión cortante en la pared, lo que significa una mayor resistencia en la superficie de la aguja, y ofrece mejor transferencia de momento que el fluido híbrido de dos partículas. Sin embargo, la tasa local de transferencia de calor, caracterizada por un número de Nusselt, es ligeramente menor para la mezcla ternaria, lo que revela una compensación entre impulsar el fluido con más fuerza y extraer calor con eficiencia. Campos magnéticos más intensos y un comportamiento Casson más marcado aumentan la resistencia al flujo y reducen la transferencia de calor, mientras que una radiación térmica más fuerte y ciertos movimientos de partículas elevan la temperatura del fluido y amplían la capa térmica.

Enseñar a una red neuronal a predecir el enfriamiento

Resolver las ecuaciones que gobiernan para cada combinación de parámetros puede ser costoso en tiempo, por lo que los investigadores combinan un solucionador numérico estándar con una red neuronal artificial feed-forward. Generan un amplio conjunto de soluciones muestras usando un solucionador de problemas de valor de frontera en MATLAB y luego entrenan la red neuronal para aprender la relación entre entradas clave como la intensidad magnética, el nivel de radiación, la forma de las partículas y el movimiento termoforético, y salidas como la fricción en la superficie y la tasa de transferencia de calor. Tras el entrenamiento, la red reproduce los resultados numéricos con muy alta precisión, mostrando una concordancia estrecha en los perfiles de velocidad y temperatura en numerosos casos de prueba. Esto significa que los ingenieros pueden usar la red como un modelo sustituto rápido en lugar de ejecutar repetidamente pesadas simulaciones numéricas.

Qué significa esto para futuras tecnologías de enfriamiento

En términos simples, el estudio muestra que añadir tres tipos de nanopartículas cuidadosamente seleccionadas a un refrigerante puede mejorar cómo se gestiona el momento y el calor cerca de objetos diminutos calentados, pero también incrementa la resistencia y la producción de entropía en ciertas condiciones. Los campos magnéticos y la reología del fluido pueden ayudar o perjudicar la refrigeración, según cómo se ajusten. Al combinar modelado físico detallado con predicción mediante redes neuronales, los autores ofrecen tanto conocimiento físico como una herramienta práctica para explorar rápidamente opciones de diseño. Para diseñadores de intercambiadores de calor compactos, dispositivos biomédicos y sistemas energéticos avanzados, estos hallazgos describen cómo equilibrar un enfriamiento más eficaz, una resistencia al flujo manejable y pérdidas de energía aceptables al usar nanofluidos avanzados.

Cita: Ahmad, J., Aljethi, R.A., Shah, S.A.A. et al. Computational intelligence-based investigation of heat transfer enhancement and entropy optimization in tri-hybrid nanofluid flow over a paraboloid needle. Sci Rep 16, 14159 (2026). https://doi.org/10.1038/s41598-026-49041-w

Palabras clave: refrigeración con nanofluidos, transferencia de calor, generación de entropía, red neuronal artificial, magnetohidrodinámica