Bolsa 23/13431-1 - Mecânica dos fluidos, Aprendizado computacional - BV FAPESP
Busca avançada
Ano de início
Entree

Análise de escoamentos não estacionários através de imagens e funções neurais implícitas

Processo: 23/13431-1
Modalidade de apoio:Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado
Data de Início da vigência: 01 de janeiro de 2024
Data de Término da vigência: 31 de agosto de 2024
Área de conhecimento:Engenharias - Engenharia Mecânica - Fenômenos de Transportes
Pesquisador responsável:William Roberto Wolf
Beneficiário:Renato Fuzaro Miotto
Supervisor: Mark Nelson Glauser
Instituição Sede: Faculdade de Engenharia Mecânica (FEM). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
Instituição Anfitriã: Syracuse University, Estados Unidos  
Vinculado à bolsa:22/09196-4 - Aprofundando a compreensão de escoamentos aerodinâmicos não-estacionários por meio de simulações de alta fidelidade, modelagem analítica e técnicas de aprendizado de máquina profundo, BP.PD
Assunto(s):Mecânica dos fluidos   Aprendizado computacional   Teoria do potencial   Velocimetria por imagem de partículas
Palavra(s)-Chave do Pesquisador:Aprendizado de máquina profundo | Decomposição modal de escoamentos | Momentum Potential Theory | Neural implicit representation | Particle Image Velocimetry (PIV) | Schlieren | Mecânica dos Fluidos

Resumo

O objetivo principal do presente trabalho é a aplicação de técnicas de aprendizado de máquina e decomposição modal para investigar escoamentos não estacionários a partir de imagens Shadowgraph, Schlieren e PIV. Serão candidatas às análises as bases de dados obtidas durante o doutorado do Dr. Miotto e do Prof. Zigunov, assim como os dados experimentais do Prof. Mark Glauser e as simulações de alta fidelidade realizadas pela Prof. Yiyan Sun, ambos da Syracuse University (SU), e pelo grupo do Prof. Datta Gaitonde, da The Ohio State University (OSU). Uma das técnicas que serão desenvolvidas durante o estágio é a decomposição de Doak, baseada na Momentum Potential Theory, utilizando redes neurais baseadas em imagens de Schlieren resolvidas no tempo. Esta decomposição permite separar o escoamento em componentes térmicos, hidrodinâmicos e acústicos, desempenhando assim um papel fundamental na análise de escoamentos compressíveis. Para conseguir isso, uma equação de Poisson deve ser resolvida, o que impõe barreiras para sua aplicação em ambientes experimentais onde as condições de contorno não estão bem definidas e/ou o pesquisador não possui um solucionador de Poisson adequado. Desta forma, a ferramenta resultante fornecerá uma alternativa à decomposição de Doak, podendo ser facilmente aplicada ao diagnóstico de diversos escoamentos sem a necessidade de dispositivos caros e sem ter que lidar com as ambiguidades das condições de contorno. A decomposição modal de escoamentos pode então ser aplicada aos campos hidrodinâmicos, acústicos ou térmicos específicos obtidos a partir da formulação de Doak, a fim de observar estruturas coerentes específicas. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)