Métodos orientados por dados e aprendizado de máquina em mecânica dos fluidos não-Newtonianos

• Processo: 21/13833-7
• Modalidade de apoio: Bolsas no Exterior - Pesquisa
• Data de Início da vigência: 01 de agosto de 2022
• Data de Término da vigência: 31 de julho de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Matemática - Matemática Aplicada
• Pesquisador responsável: Cassio Machiaveli Oishi
• Beneficiário: Cassio Machiaveli Oishi
• Pesquisador Anfitrião: Steven Brunton
• Instituição Sede: Faculdade de Ciências e Tecnologia (FCT). Universidade Estadual Paulista (UNESP). Campus de Presidente Prudente. Presidente Prudente , SP, Brasil
• Instituição Anfitriã: University of Washington, Estados Unidos
• Vinculado ao auxílio: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
• Assunto(s): Aprendizado computacional Fluxo dos fluidos Fluidos não newtonianos Análise numérica
• Palavra(s)-Chave do Pesquisador: Constitutive equations | Data-Driven | machine learning | non-newtonian fluids | Numerical Solutions | Análise numérica, Solução Numérica de EDPs

Resumo

Esta proposta apresenta um plano de pesquisa para investigar métodos baseados em dados, técnicas de aprendizado de máquina e esquemas numéricos para solução de escoamentos de fluidos não-Newtonianos, como por exemplo, fluidos viscoelásticos. Embora a aplicação de aprendizado de máquina já seja considerada uma ferramenta importante nas pesquisas de mecânica de fluidos Newtonianos, a construção e aplicação dessas metodologias para fluidos não-Newtonianos estão em estágios iniciais de progresso e permanecem, em grande parte, inexplorados. Com base em dados de simulação computacional de problemas modelos, a dinâmica do escoamento para fluidos viscoelásticos será estudada por algoritmos de aprendizagem. Além disso, com intuito de identificar características não-lineares observadas em escoamentos de fluidos não-Newtonianos, como por exemplo instabilidades viscoelásticas e a turbulência elástica, métodos de modelagem de identificação esparsa serão investigados. Fundamentos em análise numérica, como por exemplo, análise de convergência, interpretabilidade e generalização dos métodos serão discutidos uma vez que esses tópicos são considerados como um desafio na modelagem de sistemas físicos usando aprendizado de máquina. Além de aprimorar métodos orientados em dados, este projeto tem como objetivo principal a construção de novas metodologias para impulsionar simulações de fluidos complexos em geometrias complexas, incluindo estratégias eficazes baseadas em dados para resolver aplicações da mecânica de fluidos não-Newtoniano. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

GONCALVES, M. B.; GUDINO, E.; MAIA, M.; OISHI, C. M.. Mathematical modeling for drug delivery and inflammation process: An application in macular edema. Applied Mathematical Modelling, v. 121, p. 22-pg., 2023-05-27. (13/07375-0, 21/13833-7)

EVANS, J. D.; PALHARES JUNIOR, I. L.; OISHI, C. M.; RUANO NETO, F.. Numerical verification of sharp corner behavior for Giesekus and Phan-Thien-Tanner fluids. Physics of Fluids, v. 34, n. 11, p. 28-pg., 2022-11-01. (21/13833-7, 21/05727-2, 13/07375-0)