Investigação baseada em inteligência computacional sobre melhoria da transferência de calor e otimização de entropia no escoamento de nanofluido tri-híbrido sobre uma agulha paraboloide

Por que resfriar dispositivos minúsculos é importante

De smartphones a sensores médicos, a tecnologia moderna concentra muito calor em espaços muito pequenos. Manter esses dispositivos frios sem desperdiçar energia é um desafio crescente. Este estudo explora um novo tipo de líquido de resfriamento carregado com diferentes tipos de nanopartículas e utiliza inteligência artificial para prever quão bem ele remove calor de uma agulha fina aquecida. Os resultados podem orientar um melhor gerenciamento térmico em eletrônicos, instrumentos biomédicos e sistemas de energia.

Misturando partículas especiais em líquidos inteligentes

Em vez de usar água ou óleo simples, os pesquisadores examinam nanofluidos, que são líquidos semeados com partículas sólidas extremamente pequenas e altamente condutoras de calor. Eles se concentram em duas misturas: um nanofluido "híbrido" com dois tipos de partículas e um nanofluido "ternário" ou tri-híbrido com três. O líquido base é uma mistura de água e etilenoglicol, um fluido de arrefecimento comum. Nela adicionam dióxido de titânio para estabilidade química, nanotubos de carbono de paredes múltiplas para condutividade térmica muito alta, e óxido de alumínio para melhorar a dispersão e a relação custo-benefício. Juntos, esses ingredientes visam transportar calor de forma mais eficiente do que fluidos de arrefecimento comuns ou nanofluidos mais simples.

Escoamento ao redor de um objeto em forma de agulha

A equipe estuda como esses fluidos complexos escoam em torno de uma agulha aquecida com formato curvo paraboloide. Essa geometria representa componentes minúsculos como agulhas médicas, fios finos ou tubos em microescala onde a remoção de calor é crítica. O fluido também é tratado como um fluido de Casson, um modelo geralmente usado para materiais como sangue ou pastas espessas que só começam a fluir quando uma certa tensão de cisalhamento é ultrapassada. Um campo magnético, radiação térmica e efeitos de migração de partículas são todos incluídos, criando um quadro realista de como calor, momento e matéria interagem nessa pequena região ao redor da agulha.

Equilibrando transferência de calor e perdas de energia

Além da simples capacidade de resfriamento, os autores analisam a geração de entropia, uma medida de quanto da energia útil é irreversivelmente perdida à medida que o calor se espalha e o atrito resiste ao movimento. Eles constatam que o nanofluido tri-híbrido tende a aumentar a tensão de cisalhamento na parede, indicando maior arrasto na superfície da agulha, e oferece melhor transferência de momento do que o fluido híbrido de duas partículas. No entanto, a taxa local de transferência de calor, caracterizada pelo número de Nusselt, é ligeiramente menor para a mistura ternária, revelando um trade-off entre forçar mais o fluido e extrair calor de forma eficiente. Campos magnéticos mais fortes e comportamento Casson mais pronunciado aumentam a resistência ao escoamento e reduzem a transferência de calor, enquanto radiação térmica mais intensa e certos movimentos de partículas elevam a temperatura do fluido e ampliam a camada térmica.

Treinando uma rede neural para prever o resfriamento

Resolver as equações governantes para cada combinação de parâmetros pode ser demorado, então os pesquisadores combinam um resolvedor numérico padrão com uma rede neural artificial feed-forward. Eles geram um amplo conjunto de soluções amostrais usando um resolvedor de problemas de valor de contorno em MATLAB e então treinam a rede neural para aprender a relação entre entradas-chave, como intensidade magnética, nível de radiação, forma das partículas e movimento termoforético, e saídas como atrito de parede e taxa de transferência de calor. Após o treinamento, a rede reproduz os resultados numéricos com altíssima precisão, mostrando forte concordância em perfis de velocidade e temperatura em muitos casos de teste. Isso permite que engenheiros usem a rede como um modelo substituto rápido em vez de executar repetidamente simulações numéricas pesadas.

O que isso significa para tecnologias de resfriamento futuras

Em termos simples, o estudo mostra que adicionar três tipos de nanopartículas escolhidos com cuidado a um fluido de arrefecimento pode melhorar como o momento e o calor são manejados perto de pequenos objetos aquecidos, mas também aumenta o arrasto e a produção de entropia em certas condições. Campos magnéticos e a reologia do fluido podem ajudar ou atrapalhar o resfriamento, dependendo de como são ajustados. Ao combinar modelagem física detalhada com predição por rede neural, os autores oferecem tanto percepção física quanto uma ferramenta prática para explorar rapidamente opções de projeto. Para projetistas de trocadores de calor compactos, dispositivos biomédicos e sistemas de energia avançados, esses achados delineiam como equilibrar resfriamento mais intenso, resistência de fluxo manejável e perdas de energia aceitáveis ao usar nanofluidos avançados.

Citação: 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

Palavras-chave: resfriamento com nanofluido, transferência de calor, geração de entropia, rede neural artificial, magnetohidrodinâmica