Abordagens Híbridas para Problemas Inversos em Transferência de Calor: Métodos Sem Malha, Redes Neurais e Inferência Bayesiana

Resumo: Os problemas de transferência de calor as condições de contorno não são conhecidas completamente, uma vez que há dificuldades técnicas na obtenção de dados. Por exemplo, parte do contorno do corpo em estudo é inacessível às medições diretas, ou a presença de sensores,
tais como os termopares, não é viável devido às altas temperaturas nesta região. As metodologias utilizadas são, em sua grande maioria, ferramentas matemáticas e técnicas computacionais aplicadas. Com isso, são concentrados esforços na busca por estratégias numéricas inovadoras
para problemas de monitoramento, estimação e controle. Normalmente, esses problemas são estruturados com base em modelos fenomenológicos representados por equações diferenciais obtidas de balanços de grandezas conservativas. No entanto, o uso frequente desses modelos dentro de algoritmos iterativos gera um custo computacional, que pode limitar a aplicação de uma estratégia em tempo real. Duas abordagens distintas seram 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 pode-
rosas 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 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.

Data de início: 01/08/2025
Prazo (meses): 36

Participantes:

Papel	Nome
Coordenador	WELLINGTON BETENCURTE DA SILVA