Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | University of Amsterdam | - |
Autor(es): dc.creator | de Aguiar, Diego A. | - |
Autor(es): dc.creator | França, Hugo L. | - |
Autor(es): dc.creator | Oishi, Cassio M. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T21:02:24Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T21:02:24Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2025-05-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1002/fld.5381 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/303185 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/303185 | - |
Descrição: dc.description | The application of neural network-based modeling presents an efficient approach for exploring complex fluid dynamics, including droplet flow. In this study, we employ Long Short-Term Memory (LSTM) neural networks to predict energy budgets in droplet dynamics under surface tension effects. Two scenarios are explored: Droplets of various initial shapes impacting on a solid surface and collision of droplets. Using dimensionless numbers and droplet diameter time series data from numerical simulations, LSTM accurately predicts kinetic, dissipative, and surface energy trends at various Reynolds and Weber numbers. Numerical simulations are conducted through an in-house front-tracking code integrated with a finite-difference framework, enhanced by a particle extraction technique for interface acquisition from experimental images. Moreover, a two-stage sequential neural network is introduced to predict energy metrics and subsequently estimate static parameters such as Reynolds and Weber numbers. Although validated primarily on simulation data, the methodology demonstrates the potential for extension to experimental datasets. This approach offers valuable insights for applications such as inkjet printing, combustion engines, and other systems where energy budgets and dissipation rates are important. The study also highlights the importance of machine learning strategies for advancing the analysis of droplet dynamics in combination with numerical and/or experimental data. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Departamento de Matemática e Computação Faculdade de Ciências e Tecnologia Universidade Estadual Paulista “Júlio de Mesquita Filho” | - |
Descrição: dc.description | Van der Waals-Zeeman Institute Institute of Physics University of Amsterdam | - |
Descrição: dc.description | Departamento de Matemática e Computação Faculdade de Ciências e Tecnologia Universidade Estadual Paulista “Júlio de Mesquita Filho” | - |
Formato: dc.format | 854-873 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | International Journal for Numerical Methods in Fluids | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | droplets | - |
Palavras-chave: dc.subject | energy budget | - |
Palavras-chave: dc.subject | LSTM | - |
Palavras-chave: dc.subject | numerical solution | - |
Palavras-chave: dc.subject | prediction | - |
Palavras-chave: dc.subject | surface tension | - |
Título: dc.title | Predicting Energy Budgets in Droplet Dynamics: A Recurrent Neural Network Approach | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: