基于计算智能的研究：抛物面针状体上三元混合纳米流体流动中的传热增强与熵优化

为何微型器件的冷却至关重要

从智能手机到医疗传感器，现代技术在非常小的空间内产生大量热量。在不浪费能量的前提下保持这些器件的低温，正成为日益严峻的挑战。本研究探索了一种新型冷却液——含有不同种类纳米颗粒的混合液，并使用人工智能预测其将热量从细长加热针带走的能力。结果可为电子、医疗器械和能源系统的热管理提供指导。

将特殊颗粒混入“智能”液体

研究者并非使用普通的水或油，而是考察纳米流体：在液体中悬浮极小的高导热固体颗粒。他们关注两种混合体：含两种颗粒的“混合”纳米流体，以及含三种颗粒的“三元”或三混合纳米流体。基液为水和乙二醇的混合物，常见于冷却系统。在此基础上加入二氧化钛以提高化学稳定性、多壁碳纳米管以获得极高的热导率，以及氧化铝以改善分散性并降低成本。这些成分协同作用，旨在比普通冷却剂或简单纳米流体更高效地传递热量。

针状体周围的流动

团队研究这些复杂流体如何绕过具有抛物面形状的加热针流动。该几何体代表微小构件，如医疗针、细线或微尺度管道，这些场合的散热尤为关键。流体被视为卡松（Casson）流体，这是一种通常用于描述血液或厚浆料的模型：只有在超过一定应力阈值后才开始流动。研究还考虑了磁场、热辐射和颗粒迁移效应，从而在针周小区域内构建了热量、动量与物质相互作用的现实图景。

在传热与能量损失之间寻找平衡

除了单纯的冷却能力外，作者还考察了熵产生——衡量有用能在热扩散与摩擦阻力中不可逆损失的指标。他们发现，三元混合纳米流体往往会增加壁面切应力，即对针表面产生更强的阻力，并提供比两种颗粒混合流体更好的动量传递。然而，局部传热率（以努塞尔数表征）对三元混合而言略低，显示出在推动流体更剧烈与高效提取热量之间的权衡。更强的磁场和更显著的卡松行为都会增加流动阻力并降低传热，而更强的热辐射和某些颗粒运动则会使流体温度上升并延伸热边层。

训练神经网络以预测冷却效果

对每一组合参数求解控制方程既费时又昂贵，因此研究者将标准数值求解器与前馈人工神经网络相结合。他们使用 MATLAB 边值问题求解器生成大量样本解，然后训练神经网络学习关键输入（如磁场强度、辐射水平、颗粒形状与热泳运动）与输出（如表面摩擦和传热率）之间的关系。训练完成后，网络以极高精度重现数值结果，在多个测试案例中速度和温度剖面均高度一致。这意味着工程师可以将该网络作为快速替代模型，替代反复运行计算量大的数值模拟。

对未来冷却技术的启示

简而言之，研究表明向冷却液中加入三种精心挑选的纳米颗粒，可以改善微小加热体附近的动量与热量传递，但在某些条件下也会增加阻力与熵产生。磁场与流体流变特性可在不同调节下有助于或妨碍冷却效果。通过将详尽的物理建模与神经网络预测相结合，作者既提供了物理洞见，也给出了一个用于快速探索设计选项的实用工具。对于紧凑换热器、医疗器械和先进能源系统的设计者而言，这些发现勾勒出在使用先进纳米流体时如何在更强的冷却、可控的流动阻力与可接受的能量损失之间取得平衡。

引用: 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

关键词: 纳米流体冷却, 传热, 熵产生, 人工神经网络, 磁流体力学