Fluidodinâmica computacional, realidade virtual, aprendizagem de máquina e aprendizagem profunda para modelagem de risco e confiabilidade na indústria de processos

• Processo: 22/06726-2
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Vigência: 01 de novembro de 2022 - 31 de outubro de 2024
• Área do conhecimento: Engenharias - Engenharia Química
• Convênio/Acordo: CONFAP - Conselho Nacional das Fundações Estaduais de Amparo à Pesquisa
• Pesquisador responsável: Savio Souza Venancio Vianna
• Beneficiário: Savio Souza Venancio Vianna
• Instituição Sede: Faculdade de Engenharia Química (FEQ). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Pesquisadores associados: Flávio Vasconcelos da Silva ; Luz Adriana Alvarez Toro
• Assunto(s): Inteligência artificial Dinâmica dos fluidos computacional Aprendizado computacional Realidade virtual Aprendizagem profunda
• Palavra(s)-Chave do Pesquisador: artificial intelligence | Computational Fluid Dynamics | Process Safety | Reliability | Inteligência artificial e Fluidodinâmica Computacional

Resumo

Este projeto propõe uma metodologia abrangente para lidar com situações indesejáveis na indústria de processo (por exemplo, vazamento de substâncias químicas perigosas) para evitar consequências graves aos seres humanos, ao meio ambiente e aos sistemas técnicos. O desenvolvimento da metodologia conta com modelos de machine e deep learning para detecção de anomalias humanas e de hardware, dinâmica de fluidos computacional (CFD) e realidade virtual. O processo de aprendizagem envolve a interação entre essas técnicas da seguinte forma: muitos cenários acidentais com várias entradas (por exemplo, localização de vazamento, velocidade do vento, direção do vento) alimentam modelos CFD, que simulam dispersão do gás no ambiente circundante. Os dados CFD gerados são usados de duas maneiras. Em primeiro lugar, séries temporais de concentrações de gás em vários pontos da unidade de processamento (por exemplo, localizações de sensores) serão inseridas no modelo de detecção de anomalias de hardware. Em segundo lugar, 3D mesh-grids alimentam um jogo sério envolvendo uma realidade virtual se aproximando da unidade de processamento real, que simulará a ocorrência do evento indesejado. O objetivo do jogo sério é que o jogador (por exemplo, operador de emergência) precisa parar ou mitigar o vazamento considerando o comportamento de dispersão. Durante o jogo, o jogador carregará wearables para monitorar sinais biológicos que entrarão no modelo de detecção de anomalia humana. Tem potencial para se transformar em um produto tecnológico para auxiliar no treinamento de equipes de emergência. Sua imersão, com wearables, em cenários virtuais que imitam raras situações estressantes é uma oportunidade para coletar dados para aprimorar modelos de confiabilidade humana, programas de treinamento e respostas a emergências, que são de extrema importância na indústria de processos. Finalmente, sempre que o CFD os modelos de machine e deep learning são ajustados e treinados, eles podem fazer parte das barreiras de segurança da unidade de processamento como ferramentas adicionais para apoiar a rápida tomada de decisões em relação à integridade humana, ambiental e do sistema. (AU)