Aprendizado de máquina aplicado a escoamentos: análise experimental e numérica

• Processo: 24/08030-0
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de agosto de 2024
• Data de Término da vigência: 30 de abril de 2026
• Área de conhecimento: Engenharias - Engenharia Mecânica - Fenômenos de Transportes
• Acordo de Cooperação: BG E&P Brasil (Grupo Shell)
• Pesquisador responsável: Emílio Carlos Nelli Silva
• Beneficiário: Vitor Augusto Andreghetto Bortolin
• Instituição Sede: Escola Politécnica (EP). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Empresa: Universidade de São Paulo (USP). Escola Politécnica (EP)
• Vinculado ao auxílio: 20/15230-5 - Centro de Pesquisa e Inovação de Gases de Efeito Estufa - RCG2I, AP.PCPE
• Assunto(s): Aprendizado computacional Processamento de dados Mecânica dos fluidos Fluxo dos fluidos Escoamento
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | escoamento | Processamento de Dados | Fluidos e processamento de dados

Resumo

Os recentes avanços nas técnicas computacionais e de medição têm possibilitado um estudo cada vez mais detalhado dos fluidos. No entanto, esse crescimento exponencial no volume de dados apresenta grandes desafios. O primeiro deles é a extração de conclusões e informações relevantes desse vasto conjunto de dados. Além disso, casos experimentais frequentemente sofrem com um forte ruído quando técnicas avançadas são empregadas na tentativa de obter a máxima precisão, como é o caso da velocimetria por imagem de partículas (PIV). Nesse contexto, a aprendizagem de máquina traz novas ferramentas e metodologias que permitem analisar, sintetizar e filtrar os dados de forma eficiente, possibilitando avanços significativos com base nos dados obtidos. Este trabalho propõe o desenvolvimento e a aplicação de metodologias de aprendizado de máquina aos resultados obtidos tanto experimentalmente quanto numericamente em mecânica dos fluidos. As medições PIV serão a fonte de dados experimentais, enquanto as simulações computacionais de mecânica dos fluidos (CFD) serão a fonte de dados numéricos. Inicialmente, o projeto concentra-se em métodos de aprendizado de máquina não supervisionado, em particular a decomposição POD, que permite a identificação das macroestruturas do escoamento, o RPOD, que possibilita a filtragem de resultados experimentais fortemente corrompidos, e o t-SNE, que é uma poderosa ferramenta de síntese para grandes volumes de dados. Com isso, este projeto também visa ampliar significativamente nossa compreensão sobre o comportamento desses sistemas fluidos complexos. (AU)