Verbesserter Wärmeübergang in neuem sternförmigen Gehäuse mit hybriden Nanofluiden: Eine neuronale Netzwerk-unterstützte Studie

Die aktuelle Forschung ist eine numerische Untersuchung des thermo-fluidischen Transporttrends innerhalb eines neuen sternförmigen Gehäuses, das mit (Multiwall Carbon Nanotubes) suspendierten hybriden Nanopartikeln in einer Basisflüssigkeit (Wasser) gefüllt ist, angeregt durch ein horizontales Magnetfeld. Ein rechteckiger Stab, der sich in der Mitte des Raums befindet, wird auf einer hohen Temperatur gehalten, während eine niedrige Temperatur für die äußere gewellte Grenze gewählt wird. Die Formulierung, die auf mathematischen Prinzipien basiert, zusammen mit den Randbedingungen und einigen physikalischen Annahmen, wird als dimensionslose PDEs formuliert. Die mit der "COMSOL"-Software unterstützte Finite-Elemente-Methode (FEM) wird für numerische Simulationen eingesetzt, und der PARDISO-Löser wird verwendet, um das nichtlineare Gleichungssystem zu lösen. Zudem wird ein künstliches neuronales Netzwerk (ANN) Modell erstellt, um die Auswirkungen dieser Parameter auf die thermischen und Strömungstransporteigenschaften des Hybridnanofluid zu analysieren. Das Training dieses ANN-Modells erfolgt anhand eines Datensatzes, der aus den numerischen Simulationen generiert wurde, und ermöglicht Vorhersagen über den Wärmeübergang unter variierenden Parametern. Dieser Ansatz reduziert nicht nur den Aufwand, sondern auch die Rechenzeit, wenn die thermischen Eigenschaften über verschiedene Datensätze hinweg untersucht werden. Die Visualisierung der Geschwindigkeits- und Temperaturfelder durch Stromlinien und Isothermen, zusammen mit der Bewertung der Nusselt-Zahl, illustriert den verbesserten Wärmeübergang, der durch die Einbeziehung von Nanopartikeln erleichtert wird. Die Ergebnisse zeigen, dass eine erhöhte Magnetfeldstärke die Fluidgeschwindigkeit aufgrund der erzeugten Lorentz-Kraft verringert, die den konvektiven Fluss entgegenwirkt. Die Prozentanalyse zeigt, dass hybride Nanofluide () die thermische Verteilung im Vergleich zu herkömmlichen Flüssigkeiten erheblich verbessern. Diese Studie demonstriert die Wirksamkeit von ANN-Modellen bei der Vorhersage des Einflusses verschiedener Faktoren auf die Strömungs- und Wärmeübertragungseigenschaften von hybriden Nanofluiden. Diese Erkenntnisse sind entscheidend für das Design und die Optimierung von Wärmeübertragungssystemen.