Busca avançada
Ano de início
Entree

Identificação e quantificação de incertezas em uma máquina rotativa utilizando inferência Bayesiana com expansão polinomial do caos generalizada

Processo: 18/02976-9
Linha de fomento:Bolsas no Exterior - Estágio de Pesquisa - Doutorado Direto
Vigência (Início): 29 de outubro de 2018
Vigência (Término): 28 de outubro de 2019
Área do conhecimento:Engenharias - Engenharia Mecânica - Mecânica dos Sólidos
Pesquisador responsável:Helio Fiori de Castro
Beneficiário:Gabriel Yuji Garoli
Supervisor no Exterior: Rainer Nordmann
Instituição-sede: Faculdade de Engenharia Mecânica (FEM). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
Local de pesquisa: Fraunhofer-Gesellschaft, Alemanha  
Vinculado à bolsa:16/13223-6 - Estimação e quantificação de incertezas aplicados em modelos de falhas de máquinas rotativas, BP.DD
Assunto(s):Máquinas rotativas   Inferência bayesiana   Dinâmica de rotores   Processos estocásticos   Funções verossimilhança

Resumo

Esta proposta de estágio no exterior (BEPE) consiste do aspecto experimental do projeto em andamento de doutorado (processo 2016/13223-6), o qual é parte do projeto temático 2015/20363-6. Máquinas rotativas estão presentes em diversos segmentos da indústria. Portanto, o conhecimento dos fenômenos e comportamentos desses elementos é importante. Essa máquinas possuem incertezas inerentes, as quais devem ser adicionadas ao modelo matemático. A inferência Bayesiana pode identificar parâmetros desconhecidos, considerando os aspectos estocásticos. Métodos de Monte Carlo via Cadeias de Markov são geralmente usadas para estimar os resultados da inferência, mas possuem um alto custo computacional, devido ao grande número de simulações necessário. É proposto o uso da expansão polinomial do caos generalizado; os coeficientes são estimados utilizando a colocação estocástica. Essa aproximação da solução é simples de implementar, como o método de Monte Carlo, e a expansão polinomial permite um rápido calculo da resposta. A expansão polinomial faz com que a função de verossimilhança, usada na inferência Bayesiana, simples de ser construída. No estágio no exterior, a quantificação de incertezas de uma máquina rotativa no Instituto Fraunhofer será feita. A validação será realizada através de comparações das simulações considerando as incertezas e os testes experimentais. (AU)