Year: 2025
Type: dissertation
Abstract: A Dinâmica de Fluídos Computacional é uma técnica essencial para diversas indústrias e domínios de investigação, permitindo a análise e estudo do comportamento de fluídos em diversas condições.As aplicações desta ferramenta incluem engenharia aeroespacial, meteorologia e biomedicina.A principal limitação da técnica de dinâmica de fluídos computacional prende-se com o elevado custo de produção de simulações de elevada fidelidade, em termos de tempo e de recursos computacionais, limitando a sua acessibilidade e democratização.Avanços recentes em Inteligência Artificial e métodos baseados em dados têm demonstrado um grande potencial para técnicas de Super-Resolução, que têm como objetivo melhorar simulações de baixa resolução, transformandoas em simulações de alta resolução, reduzindo drasticamente os custos computacionais associados, mantendo níveis elevados de precisão.Este trabalho explora o uso de modelos generativos de inteligência artificial, modelos de difusão em particular, como modelos substitutos para tarefas de SR em simulações de fluxo de fluidos.É conduzida uma investigação sobre como esses modelos podem ser usados para refinar os resultados dos métodos numéricos tradicionais, em termos de precisão e eficiência, com foco na incorporação de restrições físicas para garantir resultados fisicamente consistentes e realistas.Uma grande lacuna na literatura é a falta de métricas de avaliação confiáveis para avaliar tanto a fidelidade física como a precisão percetiva.Ao integrar restrições físicas inovadoras e desenvolver uma estrutura de avaliação robusta, este trabalho visa melhorar a generalização, interpretabilidade e confiabilidade de modelos generativos no contexto de simulações de fluidos.A metodologia proposta inclui a seleção de modelos generativos de última geração, a triagem de diversos conjuntos de dados e a realização de diversas experiências que permitam uma análise comparativa e a validação de modelos.Ao identificar sistematicamente as limitações dos modelos, testar adaptações e implementar condicionamento físico, este estudo refinará abordagens existentes e contribuirá com novos insights para a área.Os resultados esperados incluem uma plataforma para a realização de várias experiências validada para avaliar modelos generativos em aplicações de dinâmica de fluídos computacional, estratégias aprimoradas para condicionar modelos de IA com restrições físicas e uma análise do potencial destes modelos para democratizar simulações de alta fidelidade, tornando-as mais viáveis computacionalmente.Através desta investigação, pretende-se responder as seguintes questões de investigação: Modelos de difusão podem, efetivamente, melhorar simulações de baixa resolução?Como condicionar modelos generativos através de leis e/ou aspetos físicos para garantir que tarefas de superresolução em dados de simulações de fluídos produzam resultados realisticos e fisicamente realizáveis?Quais são os desafios e diferenças de utilizar, como dados de entrada, simulações artificialmente degradadas e simulações, mais realistas, geradas com malhas de menor resolução?A introdução da métrica Gradient Mean Squared error na função de perda permite refinar as previsões dos modelos?É possível obter resultados mais rapidamente ou com melhor qualidade aplicando técnicas de transfer learning, neste contexto?A experiências realizadas demonstram que os modelos de difusão são eficazes em tarefas de i ii super-resolução de dados obtidos através de dinâmica de fluídos computacional degradados significativamente, alcançando baixas taxas de erro e reconstruções visualmente precisas.No entanto, o seu desempenho foi limitado em dados obtidos através de simulações de baixa resolução reais, onde os inputs já estão próximos das simulações de alta resolução, mostrando melhorias mínimas.Estratégias avançadas de condicionamento físico dos modelos superaram abordagens mais simples, mas nenhuma superou a baseline nos dados de simulações de baixa resolução reais.A incorporação de metricas como GMSE, quando combinado com o MSE, melhorou a fidelidade dos gradientes sem comprometer a precisão global, enquanto o transfer learning ajudou a reduzir as métricas de erro em comparação com os seus equivalentes sem transferência, embora os resultados qualitativos ainda mostrassem degradação.Estes resultados evidenciam tanto o potencial como as limitações dos modelos de difusão em tarefas de super-resolução em dinâmica de fluídos computacional e sublinham a importância de dados, condicionamento e estratégias de avaliação adequados.
Author: José Leandro Rodrigues da Silva
Language: English
Subfield: Statistical and Nonlinear Physics
Field: Physics and Astronomy
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W6991254901