Redes neurais para aumento de resolução de resultados de simulações de fluidodinâmica computacional com malhas grosseiras

• Processo: 24/10776-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Vigência (Início): 01 de novembro de 2024
• Vigência (Término): 31 de outubro de 2025
• Área do conhecimento: Engenharias - Engenharia Aeroespacial - Aerodinâmica
• Pesquisador responsável: Gabriel Pereira Gouveia da Silva
• Beneficiário: Henrique Babo Terra
• Instituição Sede: Faculdade de Engenharia. Universidade Estadual Paulista (UNESP). Campus Experimental São João da Boa Vista. São João da Boa Vista , SP, Brasil
• Assunto(s): Aprendizado computacional Dinâmica dos fluidos computacional Aerodinâmica computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Cfd | redes neurais informadas pela física | Super Resolução | Aerodinâmica computacional

Resumo

Os escoamentos de fluidos desempenham um papel vital em várias áreas, incluindo indústrias aeroespacial, automobilística, naval, química, medicina e no estudo da dispersão de poluentes. O movimento dos fluidos é descrito pelas equações de Navier-Stokes, que não possui soluções analíticas para a maior parte dos casos, sendo a maioria dos estudos dependente de experimentos ou de simulações numéricas conhecidas como fluidodinâmica computacional (CFD). A resolução numérica destas equações é intensiva em termos de recursos computacionais, com os custos aumentando conforme a complexidade das geometrias e o refinamento das malhas de discretização do domínio. Embora malhas menos refinadas ofereçam algum resultado, estes não são suficientemente exatos, tornando a análise de convergência de malha essencial para determinar a menor malha possível que ainda produza resultados precisos. Recentemente, modelos de aprendizado de máquina têm sido utilizados para aprimorar resultados de CFD, seja através de malhas adaptativas, modelos de fechamento de turbulência, modelagem substituta de ordem reduzida, dentre outras possibilidades. Uma aplicação promissora é o uso de algoritmos de super-resolução, que inferem dados de alta resolução a partir de dados de baixa resolução, utilizando padrões estatísticos extraídos de imagens de alta resolução durante o treinamento. Esta técnica, originária do processamento de imagens, pode ser adaptada para os dados de campo de escoamento de simulações CFD, permitindo a obtenção de dados detalhados de alta resolução a partir de simulações menos refinadas e mais econômicas. Neste contexto, o presente projeto de iniciação científica visa a criar um banco de dados com resultados de simulações bidimensionais de fluidodinâmica computacional para diferentes geometrias e níveis de refinamento de malha. Utilizando este banco de dados, serão treinados e otimizados modelos de aprendizado de máquina capazes de prever resultados de alta resolução a partir de simulações realizadas com malhas grosseiras. As simulações serão realizadas utilizando o software Ansys Fluent, com foco em geometrias simétricas bidimensionais para maximizar o refinamento das malhas dentro das limitações de licença acadêmica. Os dados de campo de escoamento obtidos das malhas mais refinadas servirão como referência para treinar os modelos de aprendizado de máquina. Diversas técnicas de aprendizado serão testadas e a melhor abordagem será otimizada em termos de seus hiperparâmetros para fornecer resultados de alta resolução a partir de simulações feitas com malhas grosseiras, sendo estas simulações comparadas com os tempos e precisões de simulações convencionais com malhas refinadas no Ansys Fluent.