Un estudio reciente ha empleado una red neuronal hibrida informada por la física (PINN) para analizar y modelar el flujo de nanofluidos híbridos ternarios en un anillo giratorio. Esta aproximación combina la capacidad de las redes neuronales para aprender patrones complejos con la robustez de las leyes físicas conocidas, permitiendo un análisis de sensibilidad detallado de los parámetros que rigen el comportamiento de estos fluidos. El trabajo se centra en comprender cómo factores como la rotación, la concentración de nanopartículas y las propiedades térmicas afectan la transferencia de calor y el flujo.

Los nanofluidos híbridos, compuestos por la dispersión de dos o más tipos de nanopartículas en un fluido base, ofrecen propiedades térmicas mejoradas que los hacen atractivos para aplicaciones en transferencia de calor. El uso de un anillo giratorio introduce complejidades adicionales debido a las fuerzas de Coriolis y centrífugas, que influyen significativamente en la dinámica del fluido. La metodología PINN utilizada en este estudio permite superar las limitaciones de los métodos numéricos tradicionales al integrar las ecuaciones de Navier-Stokes y la conservación de energía directamente en la función de coste de la red neuronal, lo que resulta en soluciones más precisas y físicamente consistentes.

Los resultados del análisis de sensibilidad revelan la influencia crítica de varios parámetros, como el número de Reynolds, el número de Hartmann y la fracción de volumen de las nanopartículas, en el perfil de velocidad y temperatura del nanofluido. Este modelado avanzado no solo proporciona una comprensión más profunda de la física subyacente, sino que también abre nuevas vías para el diseño y la optimización de sistemas de transferencia de calor en ingeniería. La capacidad de predecir con precisión el comportamiento de estos fluidos bajo diversas condiciones operativas es fundamental para el desarrollo de tecnologías más eficientes y sostenibles.