Análise por aprendizado profundo para previsão aprimorada da transferência de calor em nanofluidos híbridos de Maxwell com lei não‑Fourier e efeitos de radiação

Transformando fluidos em transportadores de calor mais inteligentes

Tecnologias modernas — de navios movidos a energia solar a eletrônicos compactos — dependem de mover calor de forma rápida e segura. Óleos e fluidos de refrigeração convencionais frequentemente têm dificuldade para acompanhar à medida que os sistemas ficam menores e mais potentes. Este artigo explora como a mistura de partículas sólidas minúsculas em óleo de motor comum, e o uso de inteligência artificial para prever seu comportamento, pode gerar fluidos mais inteligentes que transferem calor com maior eficiência e são rápidos de modelar em computador.

O que torna esses fluidos especiais

O estudo foca nos chamados nanofluidos híbridos: óleo de motor comum enriquecido com dois tipos de nanotubos de carbono e partículas de óxido magnético. Esses aditivos em escala nanométrica atuam como rodovias térmicas embutidas no líquido, conferindo-lhe uma capacidade de condução de calor muito superior ao óleo base sozinho. Os autores analisam esses fluidos escoando sobre uma superfície que se estica ou encolhe, uma forma padrão de modelar o comportamento de líquidos próximos a paredes quentes, revestimentos ou tubos de coletores solares. Também incluem a influência de um campo magnético e da radiação térmica, ambos relevantes em ambientes de alta temperatura e condutividade elétrica, como receptores solares e sistemas de energia marinha.

Uma visão mais realista do transporte de calor

A maioria dos cálculos de transferência de calor assume que variações de temperatura se propagam instantaneamente por um material, uma aproximação conhecida como lei de Fourier. Embora conveniente, isso implica que o calor se move a velocidade infinita — fisicamente impossível, especialmente em processos muito rápidos ou em materiais estruturados como nanofluidos. Para corrigir isso, os autores adotam o modelo de fluxo de calor de Cattaneo–Christov, que incorpora um pequeno, porém finito, atraso entre uma mudança de temperatura e o fluxo de calor resultante. Isso leva a uma propagação do calor com comportamento de onda em vez de um alisamento instantâneo, e pode alterar de forma significativa as distribuições de temperatura na camada limite do fluido próxima a uma superfície quente.

Simulando um escoamento complexo

Para descrever o movimento e o aquecimento do nanofluido híbrido, a equipe parte das equações de conservação padrão de massa, momento e energia, e então as adapta a um tipo especial de líquido viscoelástico conhecido como fluido de Maxwell. Transformações de similaridade reduzem as equações diferenciais parciais originais a um conjunto de equações diferenciais ordinárias, que são resolvidas numericamente com um solucionador de valor de contorno de alta precisão no MATLAB. Os autores variam sistematicamente parâmetros adimensionais chave, incluindo intensidade do campo magnético, radiação térmica, número de Biot (que compara o fluxo de calor interno com o de superfície), deslizamento de velocidade na parede, sucção ou sopro através da superfície, e intensidade de fontes ou sumidouros internos de calor. Eles constatam que campos magnéticos mais fortes retardam o fluido; radiação térmica e números de Biot maiores espessam a camada limite térmica e aumentam a captação de calor; e os nanofluidos híbridos consistentemente superam nanofluidos de partícula única na transferência de calor.

Deixando uma rede neural aprender a física

Resolver essas equações repetidamente para muitas combinações de parâmetros é computacionalmente custoso, especialmente se engenheiros quiserem explorar projetos ou executar controles em tempo real. Para enfrentar isso, os autores treinam uma rede neural artificial para atuar como um modelo substituto. Eles alimentam a rede com milhares de soluções de alta fidelidade do solucionador numérico, usando a posição adimensional na camada limite e parâmetros físicos como entradas, e o gradiente de velocidade resultante e o perfil de temperatura como saídas. Um perceptron multicamadas com duas camadas ocultas é treinado usando o algoritmo de otimização de Levenberg–Marquardt. A rede reproduz os resultados numéricos com erros extremamente pequenos — erros quadráticos médios da ordem de 10⁻¹¹–10⁻¹² e coeficientes de correlação praticamente iguais a um — indicando que capturou as relações não lineares subjacentes com grande precisão.

Por que os resultados importam

Para sistemas práticos, como embarcações marinhas movidas a energia solar, coletores solares parabólicos de superfície ou lubrificantes avançados em motores, estes achados apontam para fluidos que podem tanto absorver mais calor quanto ser previstos rapidamente por modelos de IA compactos. Os nanofluidos híbridos estudados mostram desempenho térmico superior a misturas mais simples, enquanto o modelo não‑Fourier fornece um quadro mais realista de como o calor realmente se propaga. Ao demonstrar que uma rede neural treinada pode substituir cálculos numéricos pesados sem perda de acurácia, o trabalho oferece um caminho para projeto, otimização e controle mais rápidos de sistemas térmicos complexos em que cada grau de temperatura e cada watt desperdiçado contam.

Citação: 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

Palavras-chave: nanofluido híbrido, transferência de calor, sistemas térmicos solares, rede neural artificial, condução não‑Fourier