Investigação de redes neurais convolucionais na geração de modelos de substituição em processo de desenvolvimento de peças industriais

Abstract

As ferramentas de aprendizado de máquina, em especial redes neurais artificiais, têm trazido enormes avanços em diversas áreas da ciência e tecnologia. Um dos campos em que o aprendizado profundo tem potencial para trazer ganhos significativos é sua utilização em conjunto com ferramentas de simulação computacional, tais como fluidodinâmica computacional. Este trabalho estudou a aplicação de arquiteturas de redes neurais artificiais, especificamente redes convolucionais, na geração de um modelo de substituição que se utiliza de técnicas de aprendizado supervisionado no treinamento de um modelo capaz de representar o escoamento e a interação fluido-estrutura de um determinado perfil fluidodinâmico. Este modelo foi treinado a partir de resultados de simulação obtidos por dados de simulação de fluidodinâmica computacional de dispensadores de sabão em pó de lavadoras de roupas, relacionado aos campos escalares de cisalhamento e fração volumétrica na superfície crítica do componente. Os hiperparâmetros ótimos da rede neural foram obtidos através do uso de experimentos fatoriais para ambos os campos escalares. Um modelo de regressão também foi criado para obter o efeito de cada variável geométrica do modelo paramétrico utilizado para gerar os indivíduos de treinamento com o erro da rede. Os resultados obtidos demonstram boa aderência entre os resultados obtidos com o modelo de substituição com os resultados obtidos via simulação. Vale destacar também que a arquitetura de rede neural e os algoritmos de otimização e treinamento podem ser aplicados a qualquer outro domínio físico, não sendo limitado ao utilizado para treinamento neste estudo.

Machine learning tools, especially artificial neural networks, have brought enormous advances in several areas of science and technology. One of the fields in which deep learning has the potential to bring significant gains is its use in conjunction with computational simulation tools, such as computational fluid dynamics. This work studied the application of artificial neural network architectures, specifically convolutional networks, in the generation of a surrogate model that applies supervised learning techniques to train a model capable of representing the flow and fluid-structure interaction of a given fluid dynamic profile. This model was trained from simulation results obtained by computational fluid dynamics simulation data of powder dispensers utilized in wash machines, related to the scalar fields of shear and volume fraction in the critical surface of the component. The optimal hyperparameters of the neural network were obtained through the use of factorial experiments for both scalar fields. A regression model was also created to obtain the effect of each geometric variable of the parametric model used to generate the training individuals on the network training error. The obtained results demonstrate good adherence between the results from the surrogate model and the results obtained via simulation. It is also worth highlighting that the neural network architecture and the optimization and training algorithms can be applied to any other physical domain, not being limited to the one used in this study.