Aprendendo dinâmicas de gotículas via modelagem assistida por IA

• Processo: 24/15904-7
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de janeiro de 2025
• Data de Término da vigência: 30 de setembro de 2028
• Área de conhecimento: Ciências Exatas e da Terra - Matemática - Matemática Aplicada
• Pesquisador responsável: Cassio Machiaveli Oishi
• Beneficiário: Diego Alecsander de Aguiar
• Instituição Sede: Faculdade de Ciências e Tecnologia (FCT). Universidade Estadual Paulista (UNESP). Campus de Presidente Prudente. Presidente Prudente , SP, Brasil
• Vinculado ao auxílio: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
• Assunto(s): Aprendizado computacional Simulação por computador Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Simulação Computacional | Solução numérica | Inteligência Artificial

Resumo

A combinação de simulações computacionais e ferramentas de inteligência artificial tem sido explorada em várias áreas da mecânica dos fluidos, mas escoamentos multifásicos ainda precisam de maior investigação. Neste trabalho, serão aplicadas técnicas de inteligência artificial para a solução de problemas observados em diversos processos industriais que envolvem escoamentos multifásicos complexos, como o transporte e processamento de petróleo na indústria petroquímica e o controle de misturas de substâncias na indústria alimentícia. Focando nas dinâmicas de gotas, os objetivos serão predizer propriedades, como as transferências de energia, e definir antecipadamente se haverá coalescência, ricochete ou atomização. Para isso, a arquitetura Vision Transformer (ViT) será explorada em diferentes dinâmicas de gotas, como o espalhamento e a colisão. Uma das limitações de tais aplicações, porém, é que os treinamentos dos modelos requerem um grande volume de dados. Neste sentido, visando reduzir os custos associados à expansão de conjuntos de dados, também será aplicada uma técnica de inteligência artificial generativa chamada Modelo Probabilístico de Difusão para Remoção de Ruído (DDPM) para a geração de dados artificiais. Ao final do projeto, uma nova metodologia será apresentada a fim de auxiliar nos desafios de modelagem de escoamento de gotículas.