Predição do balanço de energia na dinâmica de gotículas: uma abordagem com redes neurais recorrentes

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorOishi, Cassio Machiaveli-
Autor(es): dc.creatorAguiar, Diego Alecsander de-
Data de aceite: dc.date.accessioned2025-08-21T20:38:42Z-
Data de disponibilização: dc.date.available2025-08-21T20:38:42Z-
Data de envio: dc.date.issued2024-05-06-
Data de envio: dc.date.issued2024-05-06-
Data de envio: dc.date.issued2024-04-24-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/255501-
Fonte completa do material: dc.identifierhttp://lattes.cnpq.br/4314021975736211-
Fonte completa do material: dc.identifierhttps://orcid.org/0000-0001-5159-867X-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/255501-
Descrição: dc.descriptionEste 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.-
Descrição: dc.descriptionThis 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: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionCAPES: 001-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Estadual Paulista (UNESP)-
Direitos: dc.rightsinfo:eu-repo/semantics/restrictedAccess-
Palavras-chave: dc.subjectCálculo de energias-
Palavras-chave: dc.subjectEspalhamento de gotículas-
Palavras-chave: dc.subjectColisão de gotículas-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectEnergy calculation-
Palavras-chave: dc.subjectDroplet spreading-
Palavras-chave: dc.subjectDroplet collision-
Palavras-chave: dc.subjectMachine learning-
Título: dc.titlePredição do balanço de energia na dinâmica de gotículas: uma abordagem com redes neurais recorrentes-
Título: dc.titlePredicting energy budgets in droplet dynamics: a recurrent neural network approach-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.