Parametric Sensitivity Assessment of Slip Flow and Thermophoretic Effects on a Vertical Stretching Surface Using Response Surface Methodology

Resumen Técnico: Evaluación de la Sensibilidad Paramétrica del Flujo de Deslizamiento y los Efectos Termoforéticos en una Superficie de Estiramiento Vertical mediante la Metodología de Superficie de Respuesta

Planteamiento del Probleza
Este estudio investiga el flujo de capa límite magnetohidrodinámico (MHD) de un nanofluido conductor de electricidad sobre una lámina de estiramiento vertical. La investigación se centra en los efectos acoplados del deslizamiento de velocidad (parámetro de deslizamiento de velocidad, $L_1$), el deslizamiento de energía (parámetro de deslizamiento térmico, $L_2$) y la termoforesis (parámetro de termoforesis, $N_t$) sobre las características de transferencia de cantidad de movimiento, calor y masa. Si bien la literatura previa ha explorado diversas condiciones de deslizamiento y comportamientos de nanofluidos, este trabajo aborda específicamente la interacción sistemática de los parámetros de deslizamiento de velocidad ($L_1$) y de energía ($L_2$) junto con el parámetro de termoforesis ($N_t$) para optimizar el rendimiento térmico. Los fenómenos físicos gobernantes incluyen campos magnéticos inducidos, radiación térmica, movimiento browniano y reacciones químicas dentro de un régimen de flujo laminar bidimensional y estacionario.

Metodología
El estudio emplea un enfoque numérico y estadístico híbrido:

1. Modelado Matemático: El problema físico se describe mediante un sistema de ecuaciones diferenciales parciales (EDP) no lineales acopladas que gobiernan la continuidad, el momento, la inducción magnética, la energía y la concentración de especies. Estas ecuaciones incorporan efectos tales como el efecto Dufour, el efecto Soret, la disipación viscosa y la energía de activación de Arrhenius.
2. Transformación de Similitud: Las EDP gobernantes se reducen a un sistema de ecuaciones diferenciales ordinarias (EDO) no lineales utilizando variables de similitud apropiadas.
3. Solución Numérica: El problema de valor de contorno resultante se resuelve numéricamente utilizando el solver bvp4c de MATLAB, el cual utiliza un método de colocación con una tolerancia relativa de $10^{-6}$.
4. Análisis Estadístico y Optimización:
   • Metodología de Superficie de Respuesta (RSM): Se utiliza un Diseño Compuesto Central (CCD) para generar ejecuciones de simulación. Se desarrollan modelos de regresión para predecir el coeficiente de fricción superficial ($C_f$) y el número de Nusselt ($Nu$) basados en los parámetros de entrada ($L_1, L_2, N_t$). Se realiza un ANOVA para validar la significancia de los términos lineales, cuadráticos e de interacción.
   • Redes Neuronales Artificiales (ANN): Se desarrolla un modelo de ANN para predecir las respuestas de salida, y su rendimiento se compara con el de RSM para evaluar la precisión predictiva.
   • Análisis de Sensibilidad: Se calculan índices de sensibilidad basados en derivadas para determinar la influencia de cada parámetro sobre las respuestas de salida.

Contribuciones Clave y Resultados
El artículo presenta los siguientes hallazgos específicos respecto a la dinámica del flujo y las características de transferencia de calor:

• Deslizamiento de Velocidad ($L_1$): El incremento del parámetro de deslizamiento de velocidad de 0.7 a 1.9 altera el perfil de velocidad, causando una disminución de la velocidad cerca de la pared debido a la reducción de la interacción fluido-pared, seguida de un aumento en la capa límite exterior. Esto conduce a una reducción de la fricción superficial de aproximadamente un 19.3%. Sin embargo, el número de Nusselt disminuye aproximadamente un 3.3%, lo que indica una reducción en la eficiencia de la transferencia de calor por convección.
• Deslizamiento de Energía ($L_2$): El incremento del parámetro de deslizamiento de energía de 0.3 a 0.7 debilita el acoplamiento térmico entre la pared y el fluido. Esto resulta en una reducción del perfil de temperatura y una disminución del número de Nusselt en un 19.3%. Los perfiles de concentración también disminuyen a medida que las fuerzas impulsoras de la difusión térmica se ven mermadas.
• Termoforesis ($N_t$): Un aumento en el parámetro de termoforesis (de 0.01 a 0.05) potencia la migración de partículas lejos de la superficie calentada. Esto conduce a perfiles elevados de temperatura, dipolo y concentración. El estudio observa una ligera reducción en la fricción superficial (0.2%) y una disminución en el número de Nusselt (2.8%) bajo estas variaciones específicas.
• Validación del Modelo: Los resultados numéricos muestran una excelente concordancia con los datos de referencia de Mustafa et al. [22].
• Desempeño Comparativo: El estudio concluye que las Redes Neuronales Artificiales (ANN) demuestran una precisión predictiva superior en comparación con la Metodología de Superficie de Respuesta (RSM) para esta configuración de flujo específica.
• Optimización: La optimización multiobjetivo mediante funciones de deseabilidad identificó conjuntos de parámetros óptimos. Por ejemplo, se encontró que una combinación de $L_1 \approx 0.60$, $L_2 \approx 0.25$ y $N_t \approx 0.02$ minimiza la fricción superficial mientras mantiene o maximiza las tasas de transferencia de calor, logrando una puntuación de deseabilidad de 1.000.

Significancia y Reivindicaciones
Los autores afirman que este estudio es el primero en investigar sistemáticamente los efectos combinados de los parámetros de deslizamiento de velocidad y de energía de energía sobre el flujo de capa límite sobre una lámina vertical para mejorar el rendimiento térmico. La principal significancia radica en la evaluación de la sensibilidad paramétrica, la cual revela que el deslizamiento de velocidad tiene un efecto más potente en la mejora del rendimiento de transferencia de calor en sistemas avanzados de gestión térmica en comparación con el deslizamiento de energía y la termoforesis por sí solos.

El estudio enfatiza que, si bien las condiciones de deslizamiento generalmente reducen la fricción superficial (beneficioso para la reducción de la resistencia), también tienden a reducir el número de Nusselt (perjudicial para la transferencia de calor). El uso de RSM y ANN permite la identificación de ventanas operativas específicas donde estos objetivos contrapuestos pueden equilibrarse. Los hallazgos se presentan como una base para la optimización de sistemas de ingeniería que involucran flujos de nanofluidos MHD, como en dispositivos de gestión térmica, aunque los autores declaran explícitamente que el modelo actual está restringido a un flujo laminar bidimensional y estacionario con propiedades constantes, dejando los regímenes no estacionarios y turbulentos para investigaciones futuras.