MİKROBORULARDA NANO AKIŞKAN KULLANIMININ ISI TRANSFERİNE ETKİLERİNİN SAYISAL VE YAPAY ZEKA YÖNTEMLERİ İLE ARAŞTIRILMASI

Abstract

Günümüzde, mikro ölçekli borularda yüksek ısı transferi performansı sergileyen nanoakışkanların kullanımına yönelik çok sayıda bilimsel araştırma gerçekleştirilmiştir. Mikroborular aracılığıyla ısıtma ve soğutma işlemleri, özellikle küçük boyutlu elektronik cihazlar gibi birçok uygulama alanında yaygın olarak kullanılmaktadır. Bu çalışmada, kalın cidarlı bir mikroboru içerisinde su bazlı Al?O? nanoakışkanı kullanılarak ısıl performanstaki değişim sayısal yöntemlerle incelenmiştir. Çalışma kapsamında, sonsuz uzunlukta kabul edilen bir mikroboru modeli ele alınmıştır. Borunun orta kısmında L uzunluğunda bir ısıtma bölgesi, geriye kalan üst akış bölgesi ve alt akış bölgesi tamamen yalıtılmıştır. L uzunluklu ısıtılan bölge ise sabit yüzey ısı akısı koşuluna tabi tutulmuştur. Farklı konsantrasyonlardaki nanoakışkanların termofiziksel özellikleri dikkate alınarak parametrik bir inceleme gerçekleştirilmiştir. İki boyutlu laminer akış için silindirik koordinat sisteminde temel akış ve enerji denklemleri boyutsuz formda düzenlenmiştir. Sayısal çözümleme aşamasında sonlu farklar yöntemi kullanılmış ve denklemlerin ayrıklaştırılması merkezi fark şeması ile gerçekleştirilmiştir. Çalışmada, daha gerçekçi bir modelleme için boru cidarında kayma sınır koşulu benimsenmiş ve viskoz sönüm terimi problem formülasyonuna dahil edilmiştir. Elde edilen bulgular, konvansiyonel akışkanlar (örneğin su) yerine nanoakışkanların kullanılmasının ısıl performansı önemli ölçüde artırdığını ortaya koymuştur. Bununla birlikte, nanoakışkan konsantrasyonunun artırılması ısıl performansı iyileştirse de, belirli bir eşik değerinden sonra katı partiküllerin akış yollarını tıkaması gibi pratik sınırlamalar ortaya çıkmaktadır. Bu nedenle, çalışmada düşük konsantrasyon değerleri ile çalışılmıştır. Çalışmanın yapay zeka bölümünde ise beş adet regresyon yöntemi kullanılarak mikro tüp ısı transfer parametresinin (Qwi) veriye dayalı modellemesi ve tahmini işlenmiştir. Doğrusal Regresyon, Aşırı Gradyan Güçlendirme (XGBoost), Çok Katmanlı Perceptron (MLP) ve tek boyutlu Evrişimli Sinir Ağı (1D-CNN). Ele alınan dört modelde yüksek tahmin doğruluğu (R² > 0,99) elde etmiş olup, Lineer Regresyon yönteminde ise (R² > 0,90) tahmin doğruluğu elde edilmiştir. Bulgular, ağaç ve çekirdek tabanlı modellerin doğrusal temel modeli geride bırakırken, derin öğrenme mimarilerinin doğrusal olmayan davranışlara güçlü bir genelleme sergilediğini ve nanoakışkan tabanlı ısıl sistemlerde YZ odaklı modellemenin potansiyelini vurguladığını göstermektedir.

Recently, a lot of scientific research has been carried out on the use of nanofluids in micro-scale tubes, which exhibit high heat transfer performance. Heating and cooling processes through micro-pipes are widely used in many application areas, especially in small-sized electronic devices. In this study, the change in thermal performance using water-based Al?O? nanofluid in a thick-walled microtube was investigated by numerical methods. Within the scope of the study, an infinitely long micro-pipe model is considered. A heating zone of length L is located in the middle part of the pipe, while the remaining upstream and downstream regions are completely insulated. The L-long heating zone is subjected to a constant surface heat flux condition. A parametric study was carried out considering the thermophysical properties of nanofluids at different concentrations. The basic flow and energy equations for two-dimensional laminar flow in the cylindrical coordinate system are organized in dimensionless form. The finite difference method is used in the numerical analysis stage and the discretization of the equations is performed with a central difference scheme. For a more realistic approach, the slip velocity boundary condition on the pipe wall was accepted and the viscous damping term was included in the problem. According to the results obtained, using nanofluids instead of conventional fluids such as water positively affected the thermal performance. Increasing the concentration also increases the thermal performance, but after a certain amount, solid particles may block the flow paths over time. For this reason, high concentration values were not reached in the study. The results are compatible with findings from similar studies. In the artificial intelligence part of the study, data-driven modeling and prediction of the microtube heat transfer parameter (Qwi) using five regression methods: Linear Regression, Support Vector Regression (RBF kernel), Extreme Gradient Boosting (XGBoost), Multi-Layer Perceptron (MLP) and one-dimensional Convolutional Neural Network (1D-CNN). High prediction accuracy (R² > 0.99) was achieved in the four models, while the Linear Regression method achieved prediction accuracy (R² > 0.90). The findings demonstrate that while tree- and kernel-based models outperform the linear baseline, deep learning architectures exhibit strong generalization to nonlinear behaviors, underscoring the potential of AI-driven modeling in nanofluid-based thermal systems.