Modélisation des Comportements Physico-Chimiques et Rhéologiques des nano-fluides : Etude comparative

Abstract

La première examine les propriétés thermiques et rhéologiques de nanofluides tri-hybrides aqueux à base de CuO-CaCO₃-SiO₂ (THNFs) à l’aide de modèles de régression à vecteurs de support (SVR) optimisés par l’algorithme Dragonfly (DA) et l’algorithme d’optimisation FOX (FOA). Des données expérimentales couvrant des températures de 15 à 60 °C et des concentrations de nanoparticules de 0.1 à 0.5 % en volume, ont été utilisées pour entraîner et valider les modèles. Le modèle FOA-SVR a démontré des performances prédictives supérieures, atteignant une valeur R² de 0.9998 et une erreur quadratique moyenne (RMSE) de 0.0044 pour la viscosité dynamique, et une valeur R² de 0.9997 avec une RMSE de 0.0019 pour la conductivité thermique. Des résultats comparatifs avec les techniques DA-SVR et de validation croisée, notamment Holdout et Leave-M-Out, ont confirmé la robustesse du modèle FOA-SVR. Ces résultats soulignent le potentiel de l'apprentissage automatique pour l'optimisation des formulations de nanofluides, avec des applications dans les systèmes de gestion thermique avancés. Dans sa deuxième étude, un modèle de régression à vecteurs de support optimisé par l’algorithme Dragonfly (SVR-DA) est utilisé pour prédire la productivité en eau d'un distillateur solaire à simple pente utilisant des nanofluides. Sur la base de 251 points de données expérimentales, des paramètres clés tels que le rayonnement solaire, les températures, ambiante et du bassin, la profondeur de l'eau et les propriétés des nanoparticules ont été analysés. Le modèle a atteint une précision élevée prédictive avec un R² de 0.9999 pour l'apprentissage et de 0.9958 pour les tests, ainsi qu'un RMSE de 1.8987 et 8.5100, respectivement. L’intégration de nanofluides à base d’Al₂O₃/eau a amélioré la performance thermique, augmentant la productivité de 14,22 % par rapport aux distillateurs solaires conventionnels. L'analyse résiduelle a confirmé l'absence de biais dans les prédictions, tandis que la validation ANOVA (valeur p = 0.7937) a démontré la fiabilité statistique. Le modèle SVR-DA optimisé offre un outil robuste pour améliorer l'efficacité de la désalinisation solaire. Les résultats suggèrent le potentiel de l'apprentissage automatique pour optimiser la purification de l'eau basée sur les énergies renouvelables. L'étude contribue à la gestion durable de l'eau dans les régions arides. Les travaux futurs viseront à étendre la validation et à explorer des techniques d'optimisation supplémentaires