Estudo e caracterização de instabilidades em superfície livre com fluido não newtoniano por machine learning
Carregando...
Data
Autores
Supervisor
Coorientador
Pós-graduação
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (UNESP)
Tipo
Relatório de pós-doc
Direito de acesso
Acesso aberto

Resumo
Este relatório apresenta as contribuições do projeto de pós-doutorado Estudo e Caracterização de Instabilidades em Superfície Livre com Fluido Não Newtoniano por Machine Learning, desenvolvido no Laboratório de Hidrologia e Hidrometria (LH2) da UNESP – Faculdade de Engenharia de Ilha Solteira (FEIS). O projeto investiga a viabilidade do uso de Machine Learning (ML) na caracterização de dados dinâmicos de escoamentos de fluidos não Newtonianos com instabilidades na superfície livre, com ênfase nas roll waves reproduzidas em aparato experimental laboratorial. O fluido teste foi o Gel de Carbopol 996, análogo viscoplástico de lamas naturais descrito pelo modelo de Herschel-Bulkley. As atividades cobriram três frentes: (i) instrumentação e desenvolvimento de aparatos de medição de parâmetros de superfície livre, conduzidos com a coorientação de doze bolsistas em três ciclos consecutivos do PIBIC Jr (2022–2025); (ii) produção científica indexada, com dois artigos publicados em periódicos internacionais — Measurement (JCR 5,6) e Journal of the Brazilian Society of Mechanical Sciences and Engineering (JCR 2,2); e (iii) aplicação de algoritmos de ML sobre o banco experimental construído no projeto. Em resposta às restrições operacionais documentadas — indisponibilidade do reômetro e necessidade de substituição do canal de ensaios —, propôs-se um pipeline original de aumento de dados em três camadas fisicamente fundamentadas: Bootstrapping por Ruído Gaussiano, Interpolação Linear Intra-Campanha e Processo Gaussiano com Amostragem por Hipercubo Latino, expandindo o banco original de 9 ensaios reais para 391 instâncias validadas (fator 43,4×). Os classificadores supervisionados k-NN, SVM e Random Forest alcançaram acurácia de 100% na validação cruzada leave-one-out; o Clustering Hierárquico recuperou espontaneamente a estrutura experimental (silhueta = 0,5212); e a análise de pertinência por distância euclidiana normalizada mostrou a viabilidade de transferência do conhecimento laboratorial a cenários de campo, com aplicação direta a protocolos de monitoramento e previsão de risco em encostas com escoamentos viscoplásticos.
Descrição
Palavras-chave
Idioma
Português
Citação
CUNHA, Evandro Fernandes da. Estudo e caracterização de instabilidades em superfície livre com fluido não newtoniano por machine learning. 2026. 78 f. Relatório de pós-doutorado – Universidade Estadual Paulista, Faculdade de Engenharia, Ilha Solteira, 2026.



