1 |
[pt] APLICAÇÃO DE TÉCNICAS DE REDES NEURAIS PARA A MELHORIA DA MODELAGEM DA TURBULÊNCIA, UTILIZANDO DADOS EXPERIMENTAIS / [en] APPLICATION OF NEURAL NETWORK TECHNIQUES TO ENHANCE TURBULENCE MODELING USING EXPERIMENTAL DATALEONARDO SOARES FERNANDES 12 March 2024 (has links)
[pt] Apesar dos recentes avanços tecnológicos e do surgimento de computadores
extremamente rápidos, a simulação numérica direta de escoamentos turbulentos
ainda é proibitivamente cara para a maioria das aplicações de engenharia e até
mesmo para algumas aplicações de pesquisa. As simulações utilizadas são, no geral,
baseadas em grandezas médias e altamente dependentes de modelos de turbulência.
Apesar de amplamente utilizados, tais modelos não conseguem prever
adequadamente o escoamento médio em muitas aplicações, como o escoamento em
um duto quadrado. Com o reflorescimento do Aprendizado de Máquina nos últimos
anos, muita atenção está sendo dada ao uso de tais técnicas para substituir os
modelos tradicionais de turbulência. Este trabalho estudou o uso de Redes Neurais
como alternativa para aprimorar a simulação de escoamentos turbulentos. Para isso,
a técnica PIV-Estereoscópico foi aplicada ao escoamento em um duto quadrado
para obter dados experimentais de estatísticas do escoamento e campos médios de
velocidade de 10 casos com diferentes números de Reynolds. Um total de 10
metodologias foram avaliadas para entender quais grandezas devem ser previstas
por um algoritmo de aprendizado de máquina para obter simulações aprimoradas.
A partir das metodologias selecionadas, excelentes resultados foram obtidos com
uma Rede Neural treinada a partir dos dados experimentais para prever o termo
perpendicular do Tensor de Reynolds e a viscosidade turbulenta. As simulações
turbulentas auxiliadas pela Rede Neural retornaram campos de velocidade com
menos de 4 por cento de erro, em comparação os dados medidos. / [en] Although the technological advances that led to the development of fast
computers, the direct numerical simulation of turbulent flows is still prohibitively
expensive to most engineering and even some research applications. The CFD
simulations used worldwide are, therefore, based on averaged quantities and
heavily dependent on mathematical turbulence models. Despite widely used, such
models fail to proper predict the averaged flow in many practical situations, such
as the simple flow in a square duct. With the re-blossoming of machine learning
methods in the past years, much attention is being given to the use of such
techniques as a replacement to the traditional turbulence models. The present work
evaluated the use of Neural Networks as an alternative to enhance the simulation of
turbulent flows. To this end, the Stereoscopic-PIV technique was used to obtain
well-converged flow statistics and velocity fields for the flow in a square duct for
10 values of Reynolds number. A total of 10 methodologies were evaluated in a
data-driven approach to understand what quantities should be predicted by a
Machine Learning technique that would result in enhanced simulations. From the
selected methodologies, accurate results could be obtained with a Neural Network
trained from the experimental data to predict the nonlinear part of the Reynolds
Stress Tensor and the turbulent eddy viscosity. The turbulent simulations assisted
by the Neural Network returned velocity fields with less than 4 percent in error, in
comparison with those previously measured.
|
2 |
[en] FAST AND ACCURATE SIMULATION OF DEFORMABLE SOLID DYNAMICS ON COARSE MESHES / [pt] SIMULAÇÃO RÁPIDA E PRECISA DE DINÂMICA DE SÓLIDOS DEFORMÁVEIS EM MALHAS POUCO REFINADASMATHEUS KERBER VENTURELLI 23 May 2024 (has links)
[pt] Esta dissertação introduz um simulador híbrido inovador que combina um resolvedor de Equações Diferenciais Parciais (EDP) numérico de Elementos Finitos (FE) com uma Rede Neural de Passagem de Mensagens (MPNN) para realizar simulações de dinâmicas de sólidos deformáveis em malhas pouco refinadas. Nosso trabalho visa fornecer simulações precisas com um erro comparável ao obtido com malhas mais refinadas em discretizações FE,mantendo a eficiência computacional ao usar um componente MPNN que corrige os erros numéricos associados ao uso de uma malha menos refinada. Avaliamos nosso modelo focando na precisão, capacidade de generalização e velocidade computacional em comparação com um solucionador numérico de referência que usa malhas 64 vezes mais refinadas. Introduzimos um novo conjunto de dados para essa comparação, abrangendo três casos de referência numéricos: (i) deformação livre após um impulso inicial, (ii) alongamento e (iii)torção de sólidos deformáveis. Baseado nos resultados de simulação, o estudo discute as forças e fraquezas do nosso método. O estudo mostra que nosso método corrige em média 95,4 por cento do erro numérico associado à discretização, sendo até 88 vezes mais rápido que o solucionador de referência. Além disso, nosso modelo é totalmente diferenciável em relaçao a funções de custo e pode ser incorporado em uma camada de rede neural, permitindo que seja facilmente estendido por trabalhos futuros. Dados e código estão disponíveis em https://github.com/Kerber31/fast_coarse_FEM para investigações futuras. / [en] This thesis introduces a novel hybrid simulator that combines a numerical
Finite Element (FE) Partial Differential Equation solver with a Message
Passing Neural Network (MPNN) to perform simulations of deformable solid
dynamics on coarse meshes. Our work aims to provide accurate simulations
with an error comparable to that obtained with more refined meshes in FE
discretizations while maintaining computational efficiency by using an MPNN
component that corrects the numerical errors associated with using a coarse
mesh. We evaluate our model focusing on accuracy, generalization capacity,
and computational speed compared to a reference numerical solver that uses
64 times more refined meshes. We introduce a new dataset for this comparison,
encompassing three numerical benchmark cases: (i) free deformation after an
initial impulse, (ii) stretching, and (iii) torsion of deformable solids. Based on
simulation results, the study thoroughly discusses our method s strengths and
weaknesses. The study shows that our method corrects an average of 95.4 percent of
the numerical error associated with discretization while being up to 88 times
faster than the reference solver. On top of that, our model is fully differentiable
in relation to loss functions and can be embedded into a neural network layer,
allowing it to be easily extended by future work. Data and code are made
available on https://github.com/Kerber31/fast_coarse_FEM for further investigations.
|
Page generated in 0.054 seconds