Modèles prédictifs de la conductivité thermique des nanoparticules pour simulation des nanofluides

Abstract

Les nanofluides ont récemment été considérés comme l'un des fluides de travail les plus populaires en transfert de chaleur et en mécanique des fluides. Une estimation précise des propriétés thermophysiques des nanofluides est nécessaire pour l'étude de leurs performances en transfert de chaleur. Le coefficient de conductivité thermique et la viscosité sont quelquesunes des propriétés thermophysiques les plus importantes qui influencent directement l'application des nanofluides. Une telle augmentation de la conductivité thermique du nanofluide ne peut pas seulement être imputée à la plus grande conductivité thermique des nanoparticules en suspension. Mais, l'amélioration vient d'une combinaison de plusieurs facteurs physiques simultanés d'importance variable. À cette échelle nanométrique, le comportement thermique ne partage pas forcément les modèles des structures plus grandes, ce qui impose de faire plus de recherche pour en concevoir d'autres mieux adaptés afin d'expliquer ce que l'on observe. Dans ce contexte, l’objectif principal de ce travail de recherche est de développer un modèle numérique simple et précis capable de modéliser la conductivité thermique des nanofluides d’Oxydes métalliques/Eau, en utilisant un plan d'expérience (Design of Experiments DOE), ensuit ce modèle est testé et analysé par la méthode ANOVA pour déterminer les effets des différents facteurs et leurs interactions. Les résultats obtenus montrent que la fraction volumique des particules présente un effet plus significatif dans l’amélioration de la conductivité thermique des nanofluides par rapport aux autres facteurs. Contrairement à l'effet de la taille des particules, l'augmentation de la fraction volumique et de la température des particules possède un effet positif sur l'amélioration de la conductivité thermique des nanofluides. Les valeurs R2 et RMSE de 0,99 et 0,0074 respectivement, indiquent ainsi que le modèle de TCR fournit une bonne corrélation et que les valeurs prédites et expérimentales s’adaptent parfaitement. Enfin, les résultats obtenus par DOE confirment la capacité du modèle proposé à prédire la conductivité thermique des nanofluides avec une grande précision. Le second objectif de ce travail est l’étude de l’application des réseaux de neurones artificiels (RNA) pour prédire les propriétés thermophysiques du nanofluide (Al2O3/Eau). La conductivité thermique TCR) et la viscosité DVR) du nanofluide sont respectivement modélisées. Les résultats de cette modélisation montrent que la meilleure architecture trouvée pour le taux de TCR et DVR est de 15 et 20 neurones dans la couche cachée respectivement. Le modèle fournit une bonne corrélation entre les valeurs prédites et expérimentales avec des valeurs de R2 égales à 0,998 et 0,998 pour l'apprentissage et la validation. De plus, puisque les valeurs de MSE sont de 0,000018 pour l'apprentissage et de 0,0000162 pour la validation pour donnant ainsi une excellente corrélation entre la réponse prédite et observée ; avec des valeurs plus élevées de R² = 0,999 et de valeurs faibles de MSE = 0,000788 pour l'apprentissage et R² = 0,999 et SME = 0,000678 pour la validation. La comparaison avec les diverses corrélations empiriques prenant en compte les valeurs AARD de 0.0019 % pour et de 0.013 % pour ) confirme que le modèle proposé à des performances supérieures dans la prédiction du TCR et du DVR des nanofluides Alumine/Eau et peut être considéré comme un outil pratique pour la tâche considérée.