氧化石墨烯基纳米流体导热与粘度特性研究新突破

在热管理技术领域，纳米流体因其卓越的传热性能而备受瞩目，成为提升能源利用效率的关键研究方向。近期，一项发表于《Scientific Reports》的研究聚焦于水基纳米流体，深入探究了其导热系数和粘度特性，为该领域带来了新的见解与发现。

一、研究背景与意义

纳米流体由分散于基液中的纳米颗粒组成，其显著提升热导率的能力使其在热系统研究中占据重要地位，为提高工业热应用效率提供了可能。混合纳米流体作为热管理系统的前沿发展成果，通过组合不同纳米颗粒，充分发挥各类粒子的互补特性，创造出协同效应，在热性能上超越传统单组分纳米流体。其不仅在热导率、比热容和粘度等方面实现非线性提升，还能根据应用需求灵活调整性能，如平衡高导热性与长期稳定性，或结合多种优势提升传热能力与机械强度。这不仅有助于改进现有热管理技术，如电子冷却系统、工业热交换器、太阳能集热器和储能系统，还推动了纳米流体动力学、胶体科学和先进材料工程等领域的创新，为应对下一代技术中的热管理挑战提供了潜在解决方案。

二、实验过程与方法

纳米颗粒合成、表征与纳米流体制备

本研究采用来自 Merck 的化学试剂（未经额外纯化）及去离子水，通过特定方法合成氧化石墨烯（GO）、二氧化硅（SiO₂）和二氧化钛（TiO₂）纳米颗粒，详细合成步骤可参考相关论文。利用英国 Malvern Instruments 公司的 Nano - ZS 装置评估纳米流体稳定性，通过 X 射线衍射和场发射扫描电子显微镜分析纳米颗粒的结构与形态特征。采用两步法制备水基单组分和混合纳米流体（50:50 比例），具体制备方法可查阅已发表文章。

导热系数测量

使用 Decagon Devices Inc. 的 KD2 Pro 热物性分析仪（配备单根 KS - 1 传感器，采用瞬态热线法）测量纳米流体导热系数。该传感器长 60mm、直径 1.3mm，兼具热源与温度传感器功能，实验前用制造商提供的甘油标准品校准，仪器最大误差为 ±5%。

粘度测量

运用 Brookfield DV - II + Pro 粘度计（最大不确定度为 ±2%）评估纳米流体粘度，其通过测量浸没于流体中的纺锤体所受扭矩确定流体阻力。为确保读数准确，粘度计与控温水浴配合使用，以维持温度稳定并评估温度对粘度的影响。粘度测量在 30 - 60°C 范围内以 5°C 为间隔进行，每个浓度和温度下重复测量五次，每次间隔 15 分钟，仪器验证方法可参考已发表文章。

机器学习预测分析

随机森林（RF）：RF 是一种集成学习方法，训练时构建多个决策树，通过对数据子集和特征子集的随机选择减少过拟合与方差，最终预测为各决策树输出的平均值，能有效降低偏差与方差，通常在处理数据时具有较强的抗过拟合能力，但测试误差可能因训练数据子集过拟合而略有增加。

梯度提升回归（GB）：GB 按顺序构建模型，每个新模型纠正前一个模型的误差，以均方误差为损失函数，通过梯度下降最小化损失函数来更新模型参数。尽管可能存在过拟合风险（尤其是迭代次数过多时），但其预测能力强，通常比决策树和随机森林更准确，因为它在每个阶段专注于处理最具挑战性的样本。

决策树（DT）：DT 基于输入特征值递归分割数据，在每个节点选择使损失函数最小的特征和阈值创建树状决策模型，直至数据充分分割或达到停止标准（如最大深度）。其无需特征缩放或数据归一化即可捕捉特征间复杂关系，最终预测为叶节点目标值的平均值，易于理解，但容易过拟合，尤其是树深度较大时，不过剪枝可减少过拟合，与集成技术相比，其单树结构对高方差更敏感。

基于 SHAP 的可解释机器学习：SHapley Additive exPlanations（SHAP）值基于博弈论，用于解释机器学习模型中各特征对输出的贡献。通过计算每个特征对每个预测的贡献，SHAP 揭示复杂模型内部动态，提供模型输出的深入理解，使领域专家能更好地理解模型结果，为机器学习预测增添透明度。本研究使用随机森林（RF）训练模型预测导热系数（TC）和粘度，计算特征的 SHAP 值，以汇总图展示各特征对预测的影响程度，从而判断特征重要性及对热物性的影响程度。

三、结果分析与讨论

纳米颗粒表征

场发射扫描电子显微镜（FESEM）图像显示，SiO₂和 TiO₂纳米颗粒呈球形，因范德华力易聚集，这种形状增大了与基液的接触面积，有助于提高传热效率，且球形颗粒的均匀性降低了流体阻力，使流动更顺畅；而 GO 纳米颗粒具有层状或片状结构，虽可能增加纳米流体粘度影响流动特性，但高表面积有助于增强稳定性和导热性。与不规则结构（如 GO）相比，金属氧化物纳米颗粒的球形形状有助于降低纳米流体的粘度，使 SiO₂和 TiO₂更适用于需要低粘度同时提高传热的应用场景，将这些材料组合可在混合纳米流体系统中平衡增强的导热性和可控的粘度水平。XRD 分析表明，TiO₂为纯锐钛矿相，无杂质，平均粒径 40nm；GO 在 2θ = 10 - 15° 处的峰证实了石墨成功氧化为 GO。

纳米流体稳定性

纳米流体稳定性对传热性能至关重要，本研究通过测量 zeta 电位评估纳米颗粒在纳米流体中的分散稳定性，zeta 电位绝对值超过 ±30mV 表明胶体分散稳定。实验中，聚维酮（PVP）与 GO 及混合纳米流体的质量比保持恒定，稳定性分析显示制备后及 25 天后 zeta 电位值一致，表明纳米流体稳定性高，纳米颗粒有效分散，有利于长期稳定传热。

粘度特性

纳米流体粘度随浓度升高而增加，随温度升高而降低，这是分子动力学和纳米颗粒行为相互作用的结果。温度升高时，热能增强分子运动，削弱流体分子间内聚力，使粘度降低、流动性增强；同时，纳米颗粒布朗运动加剧，与流体分子碰撞增多，破坏局部流体结构，进一步降低粘度。然而，纳米颗粒对粘度的影响与浓度相关且非线性，高浓度下纳米颗粒间相互作用增强，可能形成聚集体阻碍流体流动，抵消温度对粘度的降低作用，且纳米颗粒表面性质（如电荷分布和官能团）也影响其聚集行为和对流体动力学的影响。此外，纳米颗粒周围形成的流体分子纳米层会改变局部流体性质，影响整体粘度，某些纳米颗粒（如 GO 片）的形状各向异性在不同温度和剪切速率下对流体流动产生取向依赖性影响，增加了粘度特性的复杂性。在不同浓度和温度下，SiO₂纳米流体粘度最低，GO 纳米流体粘度最高，TiO₂纳米流体粘度高于 SiO₂，混合纳米流体（如 GO - SiO₂或 GO - TiO₂）因颗粒间相互作用增强、聚集体增大和协同效应，通常比单组分纳米流体粘度更高，但混合 GO 与低表面积的 SiO₂或 TiO₂可降低 GO 在混合配方中的粘度。

导热系数特性

纳米流体导热系数随温度和浓度升高而增加，这归因于多个相互作用机制。温度升高时，纳米颗粒布朗运动加剧，改善分散性、减少团聚，使导热元素分布更均匀，增强了粒子与流体分子间碰撞，形成更多纳米级热传递通道，同时促进纳米颗粒间渗流网络形成，提高热传输能力，且温度升高降低了流体粘度，利于纳米颗粒 - 流体界面热传递；增加纳米颗粒浓度引入更多热传导途径，但超过一定浓度会导致颗粒团聚，减少有效热交换表面积、破坏热传导路径，不过较高温度可通过增强颗粒分散减轻浓度增加的负面影响。纳米颗粒材料本身的热导率（如石墨烯等高导热材料）、纵横比和表面化学性质也显著影响导热系数，影响其分散行为和界面热阻，进而调节纳米流体的导热性能。在 1.0 vol% 和 60°C 时，GO 纳米流体导热系数提升最高（1.52），因其固有高导热性和层状结构；SiO₂导热系数提升最低，混合纳米流体（除 GO 外）因协同效应和更好的颗粒分散性，导热性能优于单组分纳米流体，GO - TiO₂因 TiO₂尺寸小和高导热性，导热系数高于 GO - SiO₂。

数据预分析

对实验数据的相关性分析表明，纳米颗粒浓度与粘度比（0.97）和导热系数比（0.82）呈显著正相关，意味着浓度增加会使粘度和导热系数相应提高；温度与导热系数比（0.54）呈正相关，与粘度比（ - 0.13）呈负相关，符合温度升高粘度降低、导热系数增加的流体特性；粘度比和导热系数比也呈强正相关（0.74），说明两者相互关联，纳米颗粒浓度对两者影响显著，温度影响相对较小，浓度是影响系统行为的主要因素。散点图（pair plot）直观展示了各变量间相关性，支持了相关矩阵结果，表明浓度在纳米流体热性能中起主导作用。

导热系数比模型评估

使用 RF、GB 和 DT 三种机器学习方法构建导热系数比预测模型，并通过均方误差（MSE）、决定系数（

）和平均绝对百分比误差（MAPE）评估模型性能。RF 模型训练 MSE 低（0.0001），测试 MSE 为 0.0002，

分别为 0.9860（训练）和 0.9575（测试），MAPE 分别为 0.90%（训练）和 1.04%（测试），显示出良好的预测能力和泛化能力；GB 模型训练性能与 RF 相似，但测试 MSE 较高（0.0003），

为 0.9202，MAPE 为 1.42%，泛化能力稍逊；DT 模型训练时与 RF 和 GB 相似，但测试 MSE 更高（0.0006），

为 0.8500，MAPE 为 1.91%，存在过拟合问题，预测准确性和可靠性较差。综合比较，RF 模型在训练和测试性能间平衡最佳，GB 次之，DT 在测试数据上表现欠佳。

粘度模型预测评估

同样使用上述三种机器学习方法构建粘度比预测模型，性能指标显示三种模型在训练时表现相近，训练 MSE 相同，

约为 0.97，表明均能较好捕捉训练数据趋势。在测试数据上，RF 和 GB 模型泛化能力相当，

分别为 0.9405 和 0.9366，MAPE 分别为 3.93% 和 4.17%，而 DT 模型

较低（0.9217），MAPE 较高（4.54%），可能存在过拟合，表明其在测试集上维持准确性的能力较弱，对数据波动处理能力不如集成模型（RF 和 GB），其中 RF 模型测试 MAPE 最低，预测更精确，在训练性能和测试数据泛化间取得最佳平衡，GB 次之，DT 模型过拟合较明显，测试数据预测准确性较差。

基于 SHAP 的特征重要性分析

在导热系数比模型中，纳米颗粒浓度的平均 SHAP 值（0.0452）高于温度，表明浓度对模型预测贡献更大，浓度变化对模型响应影响显著；浓度的 SHAP 值分布范围更广，正负值均有，说明其对预测结果影响多样，一般随浓度增加预期值上升，而温度 SHAP 值多接近零，影响范围较小但仍有一定正向作用，总体上浓度在导热系数比模型预测中起主导作用。在粘度比模型中，纳米颗粒浓度的平均 SHAP 值（0.3125）远高于温度（0.0439），浓度变化对粘度比预测影响更大，其 SHAP 值分布广泛，正值表示高浓度通常提升模型输出，温度 SHAP 值集中在零附近，影响较小，再次证明纳米颗粒浓度在粘度比模型中起主要决定作用。

四、研究结论与展望

结论

本研究通过实验与机器学习方法，深入探究了水基纳米流体（含 GO、GO - TiO₂、GO - SiO₂、TiO₂和 SiO₂）在 0 - 1 vol% 浓度范围和 30 - 60°C 温度范围内的热物性。研究发现，GO 纳米流体导热系数提升最高（1.52，1 vol%、60°C），归因于其高导热性、大表面积和层状结构；混合纳米流体（尤其是 GO - TiO₂）导热性能优于多数单组分纳米流体（除 GO 外），1 vol%、60°C 时 GO - TiO₂导热系数比达 1.43；纳米流体粘度随颗粒浓度增加而升高，TiO₂纳米流体在 1 vol%、30°C 时粘度比达 2.45，这是颗粒间相互作用增强和聚集体形成阻碍流动所致；GO - SiO₂纳米流体在 1 vol% 时，粘度比随温度从 30°C 升至 60°C 而从 2.30 降至 2.07，因温度升高增强分子运动、降低内部阻力；RF 模型在导热系数和粘度预测方面表现优于 GB 和 DT 模型，对新数据适应性更强；基于 SHAP 分析，纳米颗粒浓度在导热系数比和粘度比模型预测中均起主导作用，但在粘度比模型中影响更为显著。

展望

未来研究可进一步探索其他因素对纳米流体热物性的影响，优化纳米流体配方以实现更优性能；深入研究纳米颗粒与基液间相互作用机制，为理论模型提供更坚实基础；改进机器学习模型，提高预测精度和泛化能力，使其更好地应用于实际工程；拓展研究范围至更多类型纳米流体和应用场景，推动纳米流体技术在热管理及相关领域的广泛应用和发展。

微信号

世说新材

G-Research