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 | Pacheco, Cesar Cunha | - |
Autor(es): dc.contributor | Silva, Vinicius Ribeiro Machado | - |
Autor(es): dc.contributor | Sphaier, Leandro Alcoforado | - |
Autor(es): dc.creator | Sodré, Armando Oliveira | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:27:00Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:27:00Z | - |
Data de envio: dc.date.issued | 2023-01-12 | - |
Data de envio: dc.date.issued | 2023-01-12 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/27526 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/770812 | - |
Descrição: dc.description | O trabalho discorre sobre a metodologia e resultados do uso de ferramentas de aprendizado de máquina e inteligência artificial para problemas de transferência de calor. No campo de estudo de transferência de calor é comum a elaboração de correlações empíricas para prever comportamentos desses sistemas. O desenvolvimento dessas correlações, porém, demanda muita energia e tempo para experimentos, propostas e validação. Novas ferramentas de inteligência artificial e aprendizado de máquina têm se tornado cada vez mais robustas e acessíveis, tendo aplicações nos mais diversos campos de pesquisa. O trabalho propõe um modelo baseado em programação genética que seja capaz de propor novas correlações para o caso de estudo. A eficácia do modelo será usada como prova de conceito pra avaliar o uso de aprendizado de máquina para problemas no tema, podendo escalar para casos mais complexos. Para se avaliar a capacidade dessa ferramenta, o modelo será testado em um sistema de convecção de calor forçada ao redor de um cilindro. Existem diversos estudos abordando esse tipo de escoamento, e correlações empíricas já consolidadas, sendo um bom teste comparativo para o modelo desenvolvido. | - |
Descrição: dc.description | The paper discusses the methodology and results of using machine learning and artificial intelligence tools for heat transfer problems. In the field of heat transfer, it is common to develop empirical correlations to predict the systems behavior. The development of these correlations, however, demands a lot of energy and time for experiments, proposals, and validation. New artificial intelligence and machine learning tools have become increasingly robust and accessible, with applications in various fields of research. This paper proposes a model based on genetic programming that is able to propose new correlations for the one system. The effectiveness of the model will be used as a proof of concept to evaluate the use of machine learning for problems in the subject, and if it can be scaled to more complex cases. To evaluate the capability of this tool, the model will be tested on a system of forced heat convection around a cylinder. There are several studies addressing this type of flow, and empirical correlations already consolidated, being a good comparative test for the model to be developed. | - |
Descrição: dc.description | 69 p. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Transferência de Calor | - |
Palavras-chave: dc.subject | Convecção forçada | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Transferência de calor | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Heat transfer | - |
Palavras-chave: dc.subject | Forced convection | - |
Título: dc.title | Aplicação de algoritmos de inteligência artiicial para determinação de correlações empiricas em modelos de transferência de calor e massa | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: