[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.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:66205 |
Date | 12 March 2024 |
Creators | LEONARDO SOARES FERNANDES |
Contributors | LUIS FERNANDO ALZUGUIR AZEVEDO |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | English |
Detected Language | English |
Type | TEXTO |
Page generated in 0.0013 seconds