Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/40480
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2021_RogerioWerneckRodriguesFilho_tcc.pdf6,74 MBAdobe PDFver/abrir
Título: Uma abordagem de aprendizado de máquina para mecânica dos fluidos
Autor(es): Rodrigues Filho, Rogério Werneck Costa
Orientador(es): Rosa, Adriano Possebon
Assunto: Mecânica de fluídos
Aprendizado de máquina
Data de apresentação: 11-Nov-2021
Data de publicação: 12-Nov-2024
Referência: RODRIGUES FILHO, Rogério Werneck Costa. Uma abordagem de aprendizado de máquina para mecânica dos fluidos. 2021. 57 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Mecânica) — Universidade de Brasília, Brasília, 2021.
Resumo: A crescente produção de dados tornou possível o uso de algoritmos de aprendizado de máquina no contexto de engenharia mecânica. A simulação numérica tradicional muitas vezes possui elevado custo computacional, de tal modo que realizar simulações em tempo real se torna inviável. Alguns programas de simulação numérica começaram a permitir que seus usuários utilizem computação em nuvem para realizar simulações mais rápidas, de tal forma que estas empresas começaram a desenvolver um banco de dados abundante com problemas resolvidos com a metodologia CAE (Computer Aided Engineering). Além disso, ambientes com elevado nível de monitoramento cos- tumam possuir diversos sensores das condições ambientes, de tal forma que se cria um registro histórico das condições locais, como, por exemplo, a temperatura no interior de data centers ao longo do tempo. Por se tratar de um ambiente complexo, a modelagem computacional utilizando métodos numéricos pode ser inviável. Desta forma, o uso de algoritmos de aprendizado de máquina pode se tornar uma opção. Como algoritmos de aprendizado de máquina não necessitam de um modelo matemático que descreve as condições físicas do ambiente para se obter resultados válidos, o uso destas técnicas facilitam todo o processo de modelagem. Neste trabalho, são propostos mo- delos de aprendizado de máquina para solucionar o problema da equação do calor bidimensional e o problema da cavidade quadrada com tampa deslizante utilizando um Perceptron de múltiplas camadas, sendo a fonte de dados um conjunto de resultados obtidos com os métodos tradicionais de simulação numérica, como o método da projeção. O uso desta metodologia dispensa a aplicação de Navier-Stokes para produzir resultados confiáveis. Isto significa que o algoritmo consegue criar seu próprio modelo matemático capaz de resolver o problema tendo como base o banco de dados. Além disso, algoritmos de aprendizado de máquina não demandam elevado custo computacional após seu treinamento, de tal forma que simulações em tempo real começam a se tornar viáveis. Os resultados obtidos neste trabalho mostram que a precisão encontrada no resultado final não foi significativamente afetada de modo que são obtidos resultados de boa qualidade com o uso deste método.
Abstract: The growth of data production has made it possible to use machine learning algorithms in the context of mechanical engineering. Traditional numerical simulation often has high computational cost, such that performing real-time simulations becomes unfeasible. Some numerical simulation programs have begun to allow their users to use cloud computing to perform faster simulations, such that these companies have begun to develop an abundant database of problems solved with CAE (Computer Aided Engineering) methodology.In addition, environments with a high level of monitoring usually have multiple sensors of the ambient conditions, such that a historical record of local conditions is created, such as the temperature inside data centers over time. As it is a complex environment, computational modeling using numerical methods may be impractical. Thus, the use of machine learning algorithms may become an option. Since machine learning algorithms do not need a mathematical model that describes the physical conditions of the environment to obtain valid results, the use of these techniques facilitates the entire modeling process. In this paper, machine learning models are proposed to solve the two-dimensional heat equation problem and the lid driven cavity flow problem lid using a multilayer Perceptron, with the data source being a set of results obtained with traditional numerical simulation methods, such as the projection method. The use of this methodology dispenses Navier-Stokes equation to produce reliable results. This means that the algorithm can create its own mathematical model capable of solving the problem based on data. In addition, machine learning algorithms do not require high computational cost after training, so that real-time simulations start to become feasible. The results obtained in this work show that the accuracy found in the final result was not significantly affected, so that good quality results are obtained using this method.
Informações adicionais: Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, 2021.
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.
Aparece na Coleção:Engenharia Mecânica



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.