Uma abordagem de aprendizado de máquina para mecânica dos fluidos

Abstract

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.