Year: 2024
Type: dissertation
Abstract: Este estudo explora a aplicação de modelos Long Short-Term Memory (LSTM) para prever o balanço de energia (energias cinética, de superfície e de dissipação viscosa) no contexto de dois regimes de escoamento de fluidos distintos e sob diferentes efeitos de viscosidade e tensão superficial: gotículas com formatos iniciais variáveis impactando em superfícies sólidas e duas gotículas coalescendo após colidirem. Além disso, uma predição estática dos números adimensionais também foi explorada. A aplicação de redes neurais LSTM é proposta para lidar com as limitações observadas ao utilizar redes neurais feedforward simples para manipular dados transientes. Os modelos foram treinados usando números adimensionais e séries temporais geométricas extraídas de simulações numéricas. Adicionalmente, a necessidade de simular formas não convencionais motivou o desenvolvimento de um método inovador para extrair partículas de interfaces presentes em imagens digitais para a representação por Front-Tracking. A avaliação de desempenho dos modelos incluiu métricas como o Coeficiente de Determinação, o Erro Quadrático Médio e o Erro Quadrático Médio Normalizado. A análise dessas métricas revela que as predições dos modelos estão profundamente alinhadas com seus valores ideais, destacando a adaptabilidade e precisão da arquitetura escolhida. Dado que os regimes explorados têm múltiplas aplicações significativas, como impressão por jato de tinta, aplicação de pesticidas agrícolas, operação de motores de combustão, transmissão de doenças respiratórias, entre outros, este trabalho abrir caminho para o desenvolvimento de novos modelos de aprendizado de máquina aproveitando o desempenho oferecido pelas arquiteturas LSTM para prever diferentes tipos de dados transientes em outros cenários de escoamento.
Author: Aguiar, Diego Alecsander de
Institution: Universidade Estadual Paulista (Unesp)
Language: Portuguese
Subfield: Computational Mechanics
Field: Engineering
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7120895691
