Analyse par apprentissage profond pour une meilleure prédiction du transfert de chaleur dans des nanofluides hybrides de Maxwell avec loi non‑Fourier et effets de radiation

Transformer les fluides en vecteurs de chaleur plus intelligents

Les technologies modernes — des navires propulsés à l’énergie solaire aux appareils électroniques compacts — reposent sur la capacité à évacuer la chaleur rapidement et en toute sécurité. Les huiles et liquides de refroidissement conventionnels peinent souvent à suivre lorsque les systèmes deviennent plus petits et plus puissants. Cet article explore comment l’ajout de minuscules particules solides dans une huile moteur ordinaire, puis l’utilisation de l’intelligence artificielle pour prédire leur comportement, peut produire des fluides plus performants pour le transport de chaleur tout en restant rapides à simuler sur ordinateur.

Ce qui rend ces fluides particuliers

L’étude porte sur les so‑disant nanofluides hybrides : une huile moteur ordinaire enrichie de deux types de nanotubes de carbone et de particules d’oxyde magnétique. Ces additifs à l’échelle nanométrique agissent comme des autoroutes thermiques incorporées au liquide, lui conférant une capacité de conduction de la chaleur bien supérieure à celle de l’huile seule. Les auteurs considèrent l’écoulement de ces fluides au-dessus d’une surface qui s’étire ou se contracte, une façon usuelle de modéliser le comportement des liquides près des parois chaudes, des revêtements ou des tubes de capteurs solaires. Ils incluent également l’influence d’un champ magnétique et de la radiation thermique, deux facteurs importants dans des environnements à haute température et à conductivité électrique, tels que les récepteurs solaires et les systèmes énergétiques marins.

Une vision plus réaliste du déplacement de la chaleur

La plupart des calculs de transfert de chaleur supposent que les variations de température se propagent instantanément dans un matériau, approximation connue sous le nom de loi de Fourier. Pratique, cette hypothèse implique un déplacement de la chaleur à vitesse infinie — physiquement impossible, surtout pour des processus très rapides ou des matériaux structurés comme les nanofluides. Pour remédier à cela, les auteurs adoptent le modèle de flux de chaleur de Cattaneo–Christov, qui intègre un petit retard fini entre une variation de température et le flux de chaleur qui en résulte. Cela conduit à une propagation de la chaleur de type ondulatoire plutôt qu’à un lissage instantané, et peut modifier significativement les distributions de température dans la couche limite du fluide près d’une surface chaude.

Simuler un écoulement complexe

Pour décrire le mouvement et le chauffage du nanofluide hybride, l’équipe part des équations usuelles de conservation de la masse, de la quantité de mouvement et de l’énergie, puis les adapte à un type particulier de liquide viscoélastique connu sous le nom de fluide de Maxwell. Des transformations de similarité réduisent les équations aux dérivées partielles d’origine à un système d’équations différentielles ordinaires, résolu numériquement à l’aide d’un solveur de valeur aux limites haute précision sous MATLAB. Les auteurs font varier systématiquement des paramètres sans dimension clés, notamment l’intensité du champ magnétique, la radiation thermique, le nombre de Biot (qui compare le flux thermique interne au flux de surface), le glissement de vitesse à la paroi, l’aspiration ou le soufflage à travers la surface, et l’intensité des sources ou puits de chaleur internes. Ils constatent que des champs magnétiques plus forts ralentissent l’écoulement, que la radiation thermique et des nombres de Biot plus élevés épaississent la couche limite thermique et favorisent l’absorption de chaleur, et que les nanofluides hybrides surpassent systématiquement les nanofluides à particule unique pour le transport de chaleur.

Apprendre la physique avec un réseau de neurones

Résoudre ces équations de façon répétée pour de nombreuses combinaisons de paramètres est coûteux en calcul, surtout si les ingénieurs souhaitent explorer des conceptions ou piloter en temps réel. Pour y répondre, les auteurs entraînent un réseau de neurones artificiels pour servir de modèle de substitution. Ils alimentent le réseau avec des milliers de solutions haute fidélité issues du solveur numérique, en utilisant la position sans dimension dans la couche limite et les paramètres physiques comme entrées, et le gradient de vitesse et le profil de température comme sorties. Un perceptron multicouche à deux couches cachées est entraîné avec l’algorithme d’optimisation de Levenberg–Marquardt. Le réseau reproduit les résultats numériques avec des erreurs extrêmement faibles — des erreurs quadratiques moyennes de l’ordre de 10⁻¹¹–10⁻¹² et des coefficients de corrélation pratiquement égaux à un — indiquant qu’il a capturé avec grande précision les relations non linéaires sous‑jacentes.

Pourquoi ces résultats sont importants

Pour des systèmes pratiques tels que des navires marins alimentés au solaire, des capteurs paraboliques à collecteur thermique ou des lubrifiants avancés pour moteurs, ces résultats ouvrent la voie à des fluides capables d’absorber davantage de chaleur et d’être prédits rapidement par des modèles d’IA compacts. Les nanofluides hybrides étudiés montrent des performances thermiques supérieures aux mélanges plus simples, tandis que le modèle non‑Fourier offre une image plus réaliste de la propagation réelle de la chaleur. En démontrant qu’un réseau de neurones entraîné peut remplacer des calculs numériques lourds sans perte de précision, le travail propose une voie vers une conception, une optimisation et un contrôle plus rapides de systèmes thermiques complexes où chaque degré de température et chaque watt perdu comptent.

Citation: 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

Mots-clés: nanofluide hybride, transfert de chaleur, systèmes solaires thermiques, réseau de neurones artificiels, conduction non‑Fourier