Redes neurais aplicadas à modelagem, análise e controle de escoamentos: aproximando simulações e experimentos

• Processo: 24/21444-9
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de março de 2025
• Data de Término da vigência: 28 de fevereiro de 2026
• Área de conhecimento: Engenharias - Engenharia Aeroespacial - Aerodinâmica
• Pesquisador responsável: William Roberto Wolf
• Beneficiário: Tarcísio Costa Déda Oliveira
• Instituição Sede: Faculdade de Engenharia Mecânica (FEM). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 13/08293-7 - CECC - Centro de Engenharia e Ciências Computacionais, AP.CEPID
• Assunto(s): Aprendizado computacional Dinâmica dos fluidos computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | controle de escoamentos | Dinâmica dos Fluidos Computacional | Controle de escoamentos

Resumo

Aproveitando os avanços recentes na aplicação de modelos de redes neurais para modelagem de escoamentos - com aplicações bem-sucedidas na análise de problemas de escoamentos instáveis e no controle ativo em ambientes computacionais -, propomos a aplicação dessas técnicas, juntamente com novas abordagens, para aproximar as pesquisas da área às aplicações experimentais. Implementações reais de sistemas de controle de escoamento enfrentam desafios devido a fenômenos diversos, como dinâmicas não modeladas, dados limitados de sensores, medições ruidosas, atrasos de resposta e configurações restritas pela tecnologia atual. Por outro lado, técnicas de controle não linear de ponta são frequentemente implementadas em ambientes computacionais ideais. Estas incluem abordagens de aprendizado de máquina, como aprendizado por reforço para treinar controladores, modelagem para otimização preditiva em tempo real, bem como modelagem para projetos de controle offline. Para reduzir a lacuna entre simulações e aplicações no mundo real, propomos inicialmente novos arranjos computacionais onde os fenômenos mencionados, presentes em experimentos, possam ser considerados. Além disso, buscamos incluir configurações mais realistas de sensores e atuadores que possam ser implementadas em testes reais, frequentemente ignoradas em estudos computacionais. O objetivo deste projeto é desenvolver novas abordagens de aprendizado de máquina para aprimorar as técnicas de controle já desenvolvidas, aumentando sua capacidade de lidar com fenômenos adversos. As implementações propostas incluem sistemas baseados em redes neurais para estimar grandezas não medidas no escoamento, feedback dos estados dos atuadores para considerar dispositivos não ideais e a extensão de filtros de Kalman para otimizar a estimativa não linear de estados a partir de medições ruidosas e modelos imperfeitos.