Indagine basata sull’intelligenza computazionale sul miglioramento del trasferimento di calore e sull’ottimizzazione dell’entropia nel flusso di nanofluid tri-ibrido su un ago paraboloide

Perché raffreddare i dispositivi piccoli è importante

Dagli smartphone ai sensori medici, la tecnologia moderna concentra molto calore in spazi molto ridotti. Mantenere questi dispositivi freschi senza sprecare energia è una sfida in crescita. Questo studio esplora un nuovo tipo di liquido refrigerante arricchito con diversi tipi di nanoparticelle e utilizza l’intelligenza artificiale per prevedere quanto efficacemente rimuove calore da un sottile ago riscaldato. I risultati potrebbero guidare una migliore gestione termica in elettronica, strumenti biomedicali e sistemi energetici.

Miscelare particelle speciali nei liquidi intelligenti

Invece di usare acqua o olio puro, i ricercatori esaminano i nanofluidi, liquidi contenenti particelle solide estremamente piccole che conducono bene il calore. Si concentrano su due miscele: un nanofluid “ibrido” con due tipi di particelle e un nanofluid ternario o tri-ibrido con tre. Il fluido base è una miscela di acqua ed etilenglicole, un refrigerante comune. In esso vengono disperse biossido di titanio per stabilità chimica, nanotubi di carbonio a parete multipla per altissima conducibilità termica e ossido di alluminio per migliorare la dispersione e l’efficacia in termini di costo. Insieme, questi ingredienti mirano a trasferire calore più efficacemente rispetto ai refrigeranti ordinari o ai nanofluidi più semplici.

Flusso attorno a un oggetto a forma di ago

Il team studia come questi liquidi complessi fluiscono attorno a un ago riscaldato con forma paraboloide curva. Questa geometria rappresenta componenti di piccola scala come aghi medici, fili sottili o micro-tubi dove la rimozione del calore è critica. Il fluido è trattato anche come un fluido di Casson, un modello generalmente usato per materiali come il sangue o paste dense che cominciano a fluire solo una volta superata una certa soglia di sforzo. Sono inclusi campo magnetico, radiazione termica ed effetti di migrazione delle particelle, creando un quadro realistico di come calore, quantità di moto e materia interagiscano in questa piccola regione intorno all’ago.

Bilanciare trasferimento di calore e perdite energetiche

Oltre alla semplice capacità di raffreddamento, gli autori esaminano la generazione di entropia, una misura di quanta energia utile viene irreversibilmente persa mentre il calore si diffonde e l’attrito resiste al moto. Risultano che il nanofluid tri-ibrido tende ad aumentare la tensione tangenziale sulla parete, ossia una maggiore resistenza sulla superficie dell’ago, e offre un trasferimento di quantità di moto migliore rispetto al fluido ibrido a due particelle. Tuttavia, il tasso locale di trasferimento di calore, caratterizzato dal numero di Nusselt, è leggermente inferiore per la miscela ternaria, rivelando un compromesso tra spingere il fluido più energicamente ed estrarre il calore in modo efficiente. Campi magnetici più forti e un comportamento Casson più marcato aumentano la resistenza al flusso e riducono il trasferimento di calore, mentre una radiazione termica più intensa e certi moti delle particelle elevano la temperatura del fluido ed estendono lo strato termico.

Addestrare una rete neurale a prevedere il raffreddamento

Risolvere le equazioni governanti per ogni combinazione di parametri può essere dispendioso in termini di tempo, quindi i ricercatori accoppiano un risolutore numerico standard con una rete neurale artificiale feed-forward. Generano un ampio insieme di soluzioni campione usando un risolutore per problemi al contorno in MATLAB e poi addestrano la rete neurale a imparare la relazione tra input chiave come l’intensità del campo magnetico, il livello di radiazione, la forma delle particelle e il moto termoforetico, e output come attrito superficiale e tasso di trasferimento di calore. Dopo l’addestramento, la rete riproduce i risultati numerici con elevata accuratezza, mostrando una stretta concordanza nei profili di velocità e temperatura su molti casi di prova. Questo significa che gli ingegneri possono usare la rete come modello surrogato veloce invece di eseguire ripetutamente costose simulazioni numeriche.

Cosa significa per le tecnologie di raffreddamento future

In termini semplici, lo studio mostra che aggiungere tre tipi di nanoparticelle scelti con cura a un refrigerante può migliorare la gestione della quantità di moto e del calore vicino a piccoli oggetti riscaldati, ma aumenta anche la resistenza e la produzione di entropia in alcune condizioni. Campi magnetici e la reologia del fluido possono favorire o ostacolare il raffreddamento a seconda di come vengono sintonizzati. Combinando una modellazione fisica dettagliata con la previsione tramite rete neurale, gli autori offrono sia intuizioni fisiche sia uno strumento pratico per esplorare rapidamente le opzioni di progetto. Per i progettisti di scambiatori di calore compatti, dispositivi biomedicali e sistemi energetici avanzati, questi risultati delineano come bilanciare un raffreddamento più efficace, una resistenza al flusso gestibile e perdite energetiche accettabili quando si utilizzano nanofluidi avanzati.

Citazione: 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

Parole chiave: raffreddamento con nanofluidi, trasferimento di calore, generazione di entropia, rete neurale artificiale, magnetoidrodinamica