Predição do balanço de energia na dinâmica de gotículas: uma abordagem com redes neurais recorrentes
Carregando...
Data
2024-04-24
Autores
Orientador
Oishi, Cassio Machiaveli 
Coorientador
Pós-graduação
Ciência da Computação - FC/FCT/IBILCE/IGCE 33004153073P2
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Dissertação de mestrado
Direito de acesso
Acesso restrito
Resumo
Resumo (português)
Este estudo explora a aplicação de modelos Long Short-Term Memory (LSTM) para prever
o balanço de energia (energias cinética, de superfície e de dissipação viscosa) no contexto
de dois regimes de escoamento de fluidos distintos e sob diferentes efeitos de viscosidade e
tensão superficial: gotículas com formatos iniciais variáveis impactando em superfícies sólidas
e duas gotículas coalescendo após colidirem. Além disso, uma predição estática dos números
adimensionais também foi explorada. A aplicação de redes neurais LSTM é proposta para lidar
com as limitações observadas ao utilizar redes neurais feedforward simples para manipular
dados transientes. Os modelos foram treinados usando números adimensionais e séries temporais
geométricas extraídas de simulações numéricas. Adicionalmente, a necessidade de simular formas
não convencionais motivou o desenvolvimento de um método inovador para extrair partículas de
interfaces presentes em imagens digitais para a representação por Front-Tracking.
A avaliação de desempenho dos modelos incluiu métricas como o Coeficiente de Determinação,
o Erro Quadrático Médio e o Erro Quadrático Médio Normalizado. A análise dessas métricas
revela que as predições dos modelos estão profundamente alinhadas com seus valores ideais,
destacando a adaptabilidade e precisão da arquitetura escolhida. Dado que os regimes explorados
têm múltiplas aplicações significativas, como impressão por jato de tinta, aplicação de pesticidas
agrícolas, operação de motores de combustão, transmissão de doenças respiratórias, entre outros,
este trabalho abrir caminho para o desenvolvimento de novos modelos de aprendizado de máquina
aproveitando o desempenho oferecido pelas arquiteturas LSTM para prever diferentes tipos de
dados transientes em outros cenários de escoamento.
Resumo (inglês)
This study explores the application of Long Short-Term Memory (LSTM) models to predict
the energy balance (kinetic, surface and viscous dissipation energies) within the context of two
distinct fluid flow regimes under different viscous and surface tension effects: droplets with
varying initial shapes impacting on solid surfaces and two droplets coalescing after colliding.
Additionally, a static prediction of the dimensionless numbers was also explored. The application
of LSTM neural networks is proposed to address the limitations observed when utilizing
simple Feedforward neural networks for handling transient data. The models were trained using
dimensionless numbers and geometric time series data from numerical simulations. Additionally,
the need to simulate unconventional shapes prompted the development of a novel method for
extracting Front-Tracking particles from interfaces present in digital images.
Evaluation of performance included metrics such as the Coefficient of Determination, Root
Mean Square Error, and Normalized Root Mean Square Error. The analysis of these metrics
reveals that predictions from the models closely align with their ideal values, emphasizing the
adaptability and precision of the chosen architecture. Given that the explored regimes have
multiple significant applications, such as inkjet printing, application of agricultural pesticides,
operation of combustion engines, transmission of respiratory diseases, among others, this
work could pave the way for the development of new machine learning models leveraging the
performance offered by LSTM architectures to predict different types of transient data in other
flow scenarios.
Descrição
Idioma
Português
Como citar
AGUIAR, Diego Alecsander de. Predição do balanço de energia na dinâmica de gotículas: uma abordagem com redes neurais recorrentes. Orientador: Cassio Machiaveli Oishi. 2024. 90 f. Dissertação (Mestrado em Ciência da Computação) - Faculdade de Ciências e Tecnologia, Universidade Estadual Paulista, Presidente Prudente, 2024.