Étude par intelligence computationnelle de l'amélioration du transfert de chaleur et de l’optimisation de l'entropie dans l'écoulement d'un nanofluide tri-hybride autour d'une aiguille paraboloïde

Pourquoi le refroidissement des petits dispositifs est important

Des smartphones aux capteurs médicaux, la technologie moderne concentre beaucoup de chaleur dans des volumes très réduits. Maintenir ces dispositifs à une température sûre sans gaspiller d'énergie devient un défi croissant. Cette étude explore un nouveau type de liquide de refroidissement contenant différents types de nanoparticules et utilise l'intelligence artificielle pour prédire son efficacité à évacuer la chaleur d'une aiguille chauffée et fine. Les résultats pourraient orienter une meilleure gestion thermique dans l'électronique, les outils biomédicaux et les systèmes énergétiques.

Mélanger des particules spéciales dans des liquides intelligents

Plutôt que d'utiliser de l'eau ou de l'huile simples, les chercheurs étudient des nanofluides, des liquides enrichis en particules solides extrêmement petites à bonne conductivité thermique. Ils se concentrent sur deux mélanges : un nanofluide « hybride » avec deux types de particules et un nanofluide « ternaire » ou tri-hybride avec trois. Le liquide de base est un mélange d'eau et d'éthylène glycol, un refroidissant courant. On y ajoute du dioxyde de titane pour la stabilité chimique, des nanotubes de carbone multi-parois pour une conductivité thermique très élevée, et de l'oxyde d'aluminium pour améliorer la dispersion et la rentabilité. Ensemble, ces ingrédients visent à évacuer la chaleur plus efficacement que des fluides classiques ou des nanofluides plus simples.

Écoulement autour d'un objet en forme d'aiguille

L'équipe étudie comment ces liquides complexes s'écoulent autour d'une aiguille chauffée de forme paraboloïde. Cette géométrie représente de petits composants tels que des aiguilles médicales, des fils fins ou des tubes microscopiques où l'évacuation de la chaleur est critique. Le fluide est aussi modélisé comme un fluide de Casson, un modèle généralement utilisé pour des matériaux comme le sang ou des pâtes visqueuses qui ne s'écoulent qu'au-delà d'une certaine contrainte. Un champ magnétique, le rayonnement thermique et les effets de migration des particules sont inclus, offrant un tableau réaliste des interactions entre chaleur, quantité de mouvement et matière dans la région autour de l'aiguille.

Équilibrer transfert de chaleur et pertes d'énergie

Au-delà de la simple puissance de refroidissement, les auteurs examinent la génération d'entropie, une mesure de la perte irréversible d'énergie utile lorsque la chaleur se dissipe et que la friction résiste au mouvement. Ils constatent que le nanofluide tri-hybride tend à augmenter la contrainte de cisaillement à la paroi, impliquant une traînée plus forte sur la surface de l'aiguille, et offre un meilleur transfert de quantité de mouvement que le fluide hybride à deux particules. Cependant, le taux local de transfert de chaleur, caractérisé par un nombre de Nusselt, est légèrement inférieur pour le mélange ternaire, révélant un compromis entre solliciter davantage le fluide et extraire la chaleur efficacement. Des champs magnétiques plus intenses et un comportement Casson plus marqué augmentent la résistance à l'écoulement et réduisent le transfert de chaleur, tandis qu'un rayonnement thermique plus fort et certains mouvements de particules élèvent la température du fluide et épaississent la couche thermique.

Apprendre à un réseau de neurones à prédire le refroidissement

Résoudre les équations gouvernantes pour chaque combinaison de paramètres peut être chronophage, aussi les chercheurs associent un solveur numérique standard à un réseau de neurones artificiel à propagation avant. Ils génèrent un vaste jeu d'exemples à l'aide d'un solveur de problèmes aux limites MATLAB puis entraînent le réseau à apprendre la relation entre des entrées clés telles que l'intensité magnétique, le niveau de rayonnement, la forme des particules et la motion thermophorétique, et des sorties comme la friction superficielle et le taux de transfert de chaleur. Après entraînement, le réseau reproduit les résultats numériques avec une très grande précision, montrant une forte concordance dans les profils de vitesse et de température sur de nombreux cas tests. Cela signifie que les ingénieurs peuvent utiliser le réseau comme modèle de substitution rapide au lieu de relancer à chaque fois des simulations numériques lourdes.

Ce que cela signifie pour les technologies de refroidissement futures

En termes simples, l'étude montre que l'ajout de trois types de nanoparticules choisis avec soin à un fluide caloporteur peut améliorer la gestion de la quantité de mouvement et de la chaleur près de petits objets chauffés, mais augmente aussi la traînée et la production d'entropie dans certaines conditions. Les champs magnétiques et la rhéologie du fluide peuvent favoriser ou nuire au refroidissement selon leur réglage. En combinant une modélisation physique détaillée et la prédiction par réseau de neurones, les auteurs offrent à la fois une compréhension physique et un outil pratique pour explorer rapidement des options de conception. Pour les concepteurs d'échangeurs de chaleur compacts, d'appareils biomédicaux et de systèmes énergétiques avancés, ces résultats indiquent comment équilibrer un refroidissement renforcé, une résistance à l'écoulement maîtrisée et des pertes d'énergie acceptables lors de l'utilisation de nanofluides avancés.

Citation: 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

Mots-clés: refroidissement par nanofluide, transfert de chaleur, génération d'entropie, réseau de neurones artificiel, magnétohydrodynamique