Modélisation des Comportements Thermophysiques des Nanofluides : étude Comparative

Abstract

Les nanofluides sont largement utilisés dans les systèmes énergétiques avancés tels que les capteurs solaires, les échangeurs de chaleur, les dispositifs de refroidissement électronique et les systèmes thermiques industriels. La viscosité dynamique et la conductivité thermique sont deux propriétés thermophysiques essentielles qui influencent directement leur comportement et leur efficacité en matière de transfert de chaleur. Une prédiction précise de ces propriétés est donc cruciale pour concevoir des systèmes performants à base de nanofluides. Dans ce mémoire, deux modèles de régression basés sur l’algorithme XGBoost (Extreme Gradient Boosting Regressor) sont développés pour prédire la viscosité dynamique et la conductivité thermique de nanofluides. Les données expérimentales, totalisant 520 mesures de viscosité et 514 de conductivité, ont été recueillies à partir de publications scientifiques. Pour développer les modèles neuf variables d'entrée ont été considérées, incluant la température, la fraction volumique, les propriétés thermophysiques des nanoparticules (masse molaire, diamètre, densité, chaleur spécifique) et celles du fluide de base. Les performances du modèle XGBR ont été évaluées à l’aide de plusieurs métriques statistiques (R², RMSE, MAE, MSE, Q²cv) et par un test externe sur une base cachée. Les résultats montrent une excellente précision prédictive, avec un R² de 0,992 pour la viscosité et 0,967 pour la conductivité thermique, surpassant nettement d'autres approches telles que les réseaux de neurones artificiels (ANN, LM-ANN), Forêt Aléatoire (Random Forest) et GMDH (Group Method of Data Handling). De plus une analyse de l’importance des variables a révélé que la masse molaire du fluide de base, masse molaire du nanoparticules, température et la fraction volumique étaient les facteurs les plus influents sur les deux propriétés étudiées Ces résultats confirment l’efficacité du modèle XGBR pour la modélisation avancée des propriétés thermophysiques des nanofluides et ouvrent des perspectives prometteuses pour des applications industrielles nécessitant des prédictions rapides, précises et généralisables