MODELISATION DU COMPORTEMENT THERMOPHYSIQUE DES NANOFLUIDES A DES FINS PHARMACEUTIQUES

Abstract

Ce mémoire traite de la modélisation thermo-hydrodynamique d’un nanofluide trihybride(d'aluminium (AA7072 et AA7075) et l'oxyde de zirconium (ZrO2)) s’écoulant dans un milieu poreux, en vue d’applications de transfert de chaleur en biomédical et en énergétique. Un modèle mathématique adimensionné est résolu numériquement pour construire une base de 500 cas, en faisant varier six paramètres de contrôle (Reynolds, porosité, rayonnement thermique, succion/injection et taux de déformation, vitesse adimensionnelle du fluide), et en extrayant les grandeurs locales de paroi : température, coefficient de frottement et nombre de Nusselt. Un réseau de neurones artificiels multicouche et un modèle SVM en régression sont ensuite entraînés sur cette base, avec une normalisation des données et une optimisation des hyperparamètres. L’évaluation montre que les deux approches de soft computing reproduisent fidèlement les réponses du modèle numérique, avec des coefficients de détermination R² typiquement supérieurs à 0,95 pour toutes les sorties, et des erreurs moyennes (MAE) del’ordre de 10⁻³ à 10⁻² selon la grandeur considérée. Le réseau de neurones présente toutefois les meilleures performances globales, avec des R² pouvant dépasser 0,98 et des valeurs de MSE systématiquement inférieures à celles du SVM, en particulier pour le nombre de Nusselt et le coefficient de frottement pariétal. Ces résultats confirment l’intérêt des techniques d’intelligence artificielle pour la méta-modélisation rapide des nanofluides trihybrides dans des configurations poreuses complexes, et positionnent le réseau de neurones comme outil privilégié pour la prédiction et l’optimisation thermo-hydrauliques en contexte biomédical et énergétique