DOI: https://doi.org/10.1038/s41598-026-43327-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41844713
تاريخ النشر: 2026-03-17
المؤلف: Norah Salem Alsaiar وآخرون
الموضوع الرئيسي: تدفق النانوسوائل وانتقال الحرارة
نظرة عامة
تدرس هذه الدراسة خصائص نقل الحرارة لسائل نانو هجين يعتمد على ماكسويل، وتحديداً الذي يحتوي على أنابيب كربونية نانوية، على ورقة تمتد/تتقلص تحت ظروف حدود الانزلاق وتدفق الحرارة كاتانيو-كريستوف. تتناول الأبحاث التفاعلات المعقدة للإشعاع، ومصادر/مصارف الحرارة، والحقول المغناطيسية، والتي تعتبر حاسمة لتحسين الأداء الحراري للسوائل النانوية مقارنة بالسوائل التقليدية. يتم تبسيط المعادلات التفاضلية الجزئية غير الخطية الحاكمة باستخدام تحويلات التشابه وحلها عددياً باستخدام روتين bvp4c في MATLAB.
تشير النتائج الرئيسية إلى أن الإشعاع الحراري ورقم بيو يعززان بشكل كبير معدلات نقل الحرارة، بينما تميل زيادة قوة المجال المغناطيسي إلى كبح مجال السرعة. تشمل نطاقات المعلمات المدروسة معلمة مغناطيسية من 0.1 إلى 1.2، ومعلمة إشعاعية من 0.3 إلى 0.9، ورقم بيو من 0 إلى 0.8. ومن الجدير بالذكر أن السائل النانو الهجين يظهر أداءً حرارياً متفوقاً مقارنة بنظيره من السوائل النانوية. بالإضافة إلى ذلك، يتم استخدام الشبكات العصبية الاصطناعية (ANNs) كنماذج تنبؤية بديلة لتكملة التحليل العددي، مما يوفر إطاراً قوياً لفهم ديناميات نقل الحرارة في هذه السوائل المتقدمة.
طرق
في هذه الدراسة، يتم استخدام الشبكات العصبية الاصطناعية (ANNs) كأدوات حسابية لنمذجة عمليات النقل غير الخطية، مع التركيز بشكل خاص على تدفق السوائل مع الجسيمات النانوية فوق أشكال هندسية بسيطة مثل الألواح المسطحة أو الممتدة. يتم حل المعادلات الحاكمة لمجالات السرعة ودرجة الحرارة في تكوين طبقة حدود سائل نانو عددياً باستخدام روتين bvp4c في MATLAB. وتعتبر البيانات الناتجة من هذه الحلول العددية مجموعة التدريب لنموذج ANN.
يتم استخدام شبكة متعددة الطبقات (MLP) بسبب هيكلها المعماري القائم على التغذية الأمامية والانتشار العكسي، والذي يكون فعالاً بشكل خاص في التقاط التفاعلات غير الخطية للجسيمات النانوية داخل التدفق. بالإضافة إلى ذلك، يتم اختيار شبكة عصبية تغذوية (FFNN) لقدرتها على نمذجة العلاقات غير الخطية في مشاكل الديناميكا الحرارية السائلة المعتمدة على الانحدار. تتكون مجموعة البيانات المستخدمة لتدريب ANN من مدخلات بارامترية تم إنشاؤها عددياً والتي لا تظهر اعتمادات مكانية أو زمنية، مما يعزز قابلية تطبيق النموذج على الظواهر المدروسة.
نتائج
تستكشف نتائج هذه الدراسة خصائص التدفق غير النيوتوني ونقل الحرارة للسوائل النانوية الهجينة، مع التركيز بشكل خاص على تأثيرات المعلمات المغناطيسية على ملفات درجة الحرارة والسرعة. تشير النتائج إلى أن قوة لورنتز، الناتجة عن حقل مغناطيسي مائل يؤثر على السائل الموصل كهربائياً، تؤدي إلى زيادة الطاقة الحرارية وتقليل الطاقة الحركية داخل طبقة الحدود. مع زيادة قوة المجال المغناطيسي، يتم تعزيز كل من مجالات الحرارة والسرعة، مما يشير إلى أن التلاعب بهذه المعلمات يمكن أن يتحكم بشكل فعال في مقاومة التدفق ويستقر طبقات الحدود الحرارية في تطبيقات مثل أنظمة التبريد على متن الطائرات.
تم تحقيق التحقق من النتائج من خلال خوارزمية BVP4C، التي أظهرت التقارب والدقة من خلال التوافق الوثيق مع الدراسات المرجعية المعروفة. كما قدمت الدراسة نموذج شبكة عصبية اصطناعية (ANN) أظهر توافقاً ملحوظاً مع حلول BVP4C، محققاً متوسط خطأ تربيعي (MSE) في حدود \(10^{-12}\). تشير هذه العلاقة العالية إلى أن ANN يمكن أن تعمل كنموذج بديل موثوق للتنبؤ بسلوك السوائل، مما يوفر أداة فعالة من حيث التكلفة للمهندسين في تحسين نقل الحرارة في أنظمة الطاقة الشمسية وغيرها من التطبيقات الصناعية. بشكل عام، يقدم دمج الجسيمات النانوية الهجينة ونماذج تدفق الحرارة غير الفورير إمكانيات كبيرة لتحسين التنظيم الحراري في البيئات البحرية المدعومة بالطاقة الشمسية.
نقاش
في هذا النقاش، تبرز الأبحاث دمج أنابيب الكربون النانوية ذات الجدار الواحد (SWCNTs) وأنابيب الكربون النانوية متعددة الجدران (MWCNTs) في زيت المحرك لتعزيز خصائص إدارة الحرارة من خلال توصيلها الحراري الاستثنائي واستقرارها الهيكلي. يسمح إضافة الجسيمات النانوية المغناطيسية، وتحديداً $CoFe_2O_4$، بالتلاعب في تدفق السوائل وتبديد الحرارة عبر حقل مغناطيسي خارجي، وهو أمر حاسم لتطبيقات التشحيم والتبريد الحديثة. تؤكد الدراسة على أن زيادة تركيز هذه الجسيمات النانوية تحسن الخصائص الحرارية الفيزيائية مثل الكثافة، وسعة الحرارة، واللزوجة، والتوصيل الحراري، على الرغم من وجود فجوة في فهم تأثيرات الكثافة، والانتشار الحراري، والخصائص المغناطيسية في السوائل النانوية الهجينة.
تستعرض الورقة أيضاً دراسات تجريبية مختلفة توضح تحسين التوصيل الحراري وأداء نقل الحرارة للسوائل النانوية الهجينة مقارنة بالسوائل التقليدية. على سبيل المثال، تم ملاحظة تحسينات كبيرة في التوصيل الحراري (حتى 21%) عند دمج CNTs مع جسيمات نانوية أخرى. يستكشف النقاش أيضاً إمكانيات الشبكات العصبية الاصطناعية (ANNs) كنماذج تنبؤية لسيناريوهات تدفق السوائل غير الخطية المعقدة ونقل الحرارة، مشيراً إلى أن دمج ANNs مع الحلول العددية التقليدية يمكن أن يؤدي إلى نمذجة أكثر كفاءة ودقة لديناميات السوائل النانوية الهجينة. لا يحافظ هذا النهج المزدوج على الدقة العددية فحسب، بل يسهل أيضاً التنبؤات السريعة، مما يجعله طريقاً واعداً للبحث المستقبلي في أنظمة إدارة الحرارة.
القيود
تعترف الدراسة بعدة قيود قد تؤثر على النتائج. بشكل أساسي، يعتمد نموذج الشبكة العصبية الاصطناعية (ANN) على بيانات تم إنشاؤها عددياً للتدريب، مما يعني أن دقته التنبؤية تعتمد على جودة وتنوع مجموعة بيانات المحاكاة المستخدمة. قد يحد هذا الاعتماد من قابلية تطبيق النموذج على السيناريوهات الواقعية حيث قد تختلف البيانات بشكل كبير عن الظروف المحاكاة.
بالإضافة إلى ذلك، فإن موثوقية تنبؤات النموذج مقيدة بالمعلمات والنطاقات المحددة الموجودة في بيانات التدريب. وبالتالي، قد يؤدي استقراء النتائج إلى ما وراء هذه المعلمات إلى عدم الدقة. تبرز هذه القيود الحاجة إلى مزيد من التحقق من نموذج ANN باستخدام بيانات تجريبية لتعزيز قوته وقابليته للتعميم في التطبيقات العملية.
DOI: https://doi.org/10.1038/s41598-026-43327-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41844713
Publication Date: 2026-03-17
Author(s): Norah Salem Alsaiar et al.
Primary Topic: Nanofluid Flow and Heat Transfer
Overview
This study investigates the heat transfer characteristics of a Maxwell-based hybrid nanofluid, specifically one containing carbon nanotubes, over a stretching/shrinking sheet under slip boundary conditions and Cattaneo-Christov heat flux. The research addresses the complex interactions of radiation, heat sources/sinks, and magnetic fields, which are critical for enhancing the thermal performance of nanofluids compared to conventional fluids. The governing nonlinear partial differential equations (PDEs) are simplified using similarity transformations and solved numerically with MATLAB’s bvp4c routine.
Key findings indicate that thermal radiation and the Biot number significantly enhance heat transfer rates, while increased magnetic field strength tends to suppress the velocity field. The parameter ranges studied include a magnetic parameter from 0.1 to 1.2, a radiation parameter from 0.3 to 0.9, and a Biot number from 0 to 0.8. Notably, the hybrid nanofluid demonstrates superior thermal performance relative to its nanofluid counterpart. Additionally, artificial neural networks (ANNs) are employed as surrogate predictive models to complement the numerical analysis, providing a robust framework for understanding the heat transfer dynamics in these advanced fluids.
Methods
In this study, artificial neural networks (ANNs) are employed as computational tools to model nonlinear transport processes, specifically focusing on fluid flow with nanoparticles over simple geometries such as flat or stretching plates. The governing equations for the velocity and temperature fields in a nanofluid boundary-layer configuration are solved numerically using MATLAB’s bvp4c routine. The resulting data from these numerical solutions serve as the training set for the ANN model.
A multilayer perceptron (MLP) network is utilized due to its feed-forward back-propagation architecture, which is particularly effective in capturing the nonlinear interactions of nanoparticles within the flow. Additionally, a feedforward neural network (FFNN) is chosen for its capability to model nonlinear relationships in regression-based thermo-fluid problems. The dataset used for training the ANN consists of numerically generated parametric inputs that do not exhibit spatial or temporal dependencies, enhancing the model’s applicability to the studied phenomena.
Results
The results of this study investigate the non-Newtonian flow and heat transfer characteristics of hybrid nanofluids, specifically focusing on the effects of magnetic parameters on temperature and velocity profiles. The findings indicate that the Lorentz force, generated by an oblique magnetic field acting on the electrically conducting fluid, leads to increased thermal energy and reduced kinetic energy within the boundary layer. As the magnetic field strength increases, both the thermal and velocity fields are enhanced, suggesting that the manipulation of these parameters can effectively control flow resistance and stabilize thermal boundary layers in applications such as onboard cooling systems.
The validation of the results was achieved through the BVP4C algorithm, which demonstrated convergence and accuracy by aligning closely with established benchmark studies. The study also introduced an Artificial Neural Network (ANN) model, which showed remarkable agreement with the BVP4C solutions, achieving a mean squared error (MSE) on the order of \(10^{-12}\). This high correlation indicates that the ANN can serve as a reliable surrogate model for predicting fluid behavior, thus providing a cost-effective tool for engineers in optimizing heat transfer in solar energy systems and other industrial applications. Overall, the integration of hybrid nanoparticles and non-Fourier heat flux models presents significant potential for enhancing thermal regulation in solar-assisted marine environments.
Discussion
In this discussion, the research highlights the integration of single-walled carbon nanotubes (SWCNTs) and multi-walled carbon nanotubes (MWCNTs) into engine oil to enhance thermal management properties through their exceptional thermal conductivity and structural stability. The addition of magnetic nanoparticles, specifically $CoFe_2O_4$, allows for the manipulation of fluid flow and heat dissipation via an external magnetic field, which is crucial for modern lubrication and cooling applications. The study emphasizes that increasing the concentration of these nanoparticles improves thermophysical properties such as density, heat capacity, viscosity, and thermal conductivity, although there remains a gap in understanding the effects of density, thermal diffusivity, and magnetic properties in hybrid nanofluids.
The paper also reviews various experimental studies demonstrating the enhanced thermal conductivity and heat transfer performance of hybrid nanofluids compared to conventional fluids. For instance, significant improvements in thermal conductivity (up to 21%) have been observed when combining CNTs with other nanoparticles. The discussion further explores the potential of artificial neural networks (ANNs) as predictive models for complex nonlinear fluid flow and heat transfer scenarios, suggesting that integrating ANNs with traditional numerical solvers can lead to more efficient and accurate modeling of hybrid nanofluid dynamics. This dual approach not only preserves numerical accuracy but also facilitates rapid predictions, making it a promising avenue for future research in thermal management systems.
Limitations
The study acknowledges several limitations that may impact the findings. Primarily, the artificial neural network (ANN) model relies on numerically generated data for training, which means its predictive accuracy is contingent upon the quality and diversity of the simulation dataset utilized. This reliance may restrict the model’s applicability to real-world scenarios where data may vary significantly from the simulated conditions.
Additionally, the reliability of the model’s predictions is confined to the specific parameters and ranges present in the training data. Consequently, extrapolating the results beyond these parameters may lead to inaccuracies. These limitations highlight the need for further validation of the ANN model using empirical data to enhance its robustness and generalizability in practical applications.