Integration of Machine Learning Techniques and Meshless Methods in Inverse Heat Transfer Problems

Summary: Nos problemas inversos de transferência de calor, as condições de contorno são frequentemente desconhecidas devido a desafios técnicos na aquisição de dados. Este estudo enfrenta essa complexidade, concentrando-se na integração de técnicas de machine learning para lidar com essa incerteza. Em situações em que partes do contorno são inacessíveis às medições diretas ou a presença de sensores é inviável devido a altas temperaturas, o uso de métodos tradicionais torna-se limitado.
Duas abordagens distintas são consideradas para superar esses desafios. A primeira destaca os métodos sem malhas, em especial o método das soluções fundamentais. Ao evitar a necessidade de gerar malhas em domínios complexos, esse método oferece uma alternativa eficaz aos métodos clássicos, especialmente em termos de esforço computacional.
A segunda abordagem enfatiza o papel crucial do machine learning, com ênfase em metamodelagem. Nesse contexto, redes neurais artificiais emergem como ferramentas poderosas para aproximar modelos fenomenológicos. Essa escolha é motivada pela capacidade das redes neurais como aproximadores universais, proporcionando soluções computacionais mais eficientes em comparação com modelos fenomenológicos tradicionais. Esses metamodelos podem ser obtidos a partir de dados sintéticos gerados por soluções analíticas ou numéricas, ou por meio de técnicas avançadas, como Physics-informed Neural Networks (PINNs), que incorporam as leis fundamentais da física.
A abordagem Bayesiana é empregada para estimar propriedades termo-físicas e condições de contorno, destacando a aplicação prática e eficaz de machine learning em problemas inversos de transferência de calor. Espera-se que essa integração proporcione monitoramento e estimação online precisos, eficientes e em tempo real, demonstrando assim o potencial transformador dessas combinações para enfrentar os desafios complexos inerentes aos problemas inversos de transferência de calor.

Starting date: 01/01/2024
Deadline (months): 48

Participants:

Role	Name
Coordinator *	WELLINGTON BETENCURTE DA SILVA
Researcher *	JULIO CESAR SAMPAIO DUTRA
Student Master *	HUGO DOS ANJOS SANTOS