[en] COUPLING MACHINE LEARNING AND MESOSCALE MODELING TO STUDY THE FLOW OF SEMI-DENSE AND DENSE SUSPENSIONS

• Ano de defesa: 2022
• Autor(a) principal: ERIKA IMADA BARCELOS
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] APRENDIZADO DE MAQUINA; [pt] DINAMICA DISSIPATIVA DE PARTICULAS; [pt] SUSPENSOES; [en] MACHINE LEARNING; [en] DISSIPATIVE PARTICLE DYNAMICS; [en] SUSPENSIONS
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=58901&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=58901&idi=2; http://doi.org/10.17771/PUCRio.acad.58901

[pt] Suspensões correspondem a uma classe de materiais amplamente utilizada em uma grande variedade de aplicações e indústrias. Devido à sua extrema versatilidade, elas têm sido foco de inúmeros estudos nas últimas décadas. Suspensões também são muito flexíveis e podem apresentar diferentes propriedades reológicas e respostas macroscópicas dependendo da escolha dos parâmetros usados como entrada no sistema. Mais especificamente, a resposta reológica de suspensões está intimamente associada ao arranjo microestrutural das partículas que compõem o meio e a fatores externos, como o quão confinadas elas se encontram e a rigidez das partículas. No presente estudo, o efeito da rigidez, confinamento e vazão na microestrutura de suspensões altamente concentradas é avaliado usando Dinâmica Dissipativa de Partículas com Núcleo Modificado. Precedento este estudo principal, foram necessárias outras duas etapas para garantir um sistema de simulação confiável e representativo, que consistiu, essencialmente, na realização de estudos paramétricos para compreender e estimar os valores adequados para os parâmetros de interacção parede-partícula. O presente trabalho aborda estudos paramétricos realizados para auxiliar na escolha dos parâmetros de entrada para evitar a penetração de partículas em um sistema delimitado por paredes. Inicialmente um sistema mais simples, composto por solvente e paredes é construído e os parâmetros de interação e densidades de parede foram ajustados. Em seguida as interações são definidas para suspensões. Neste último caso, vários parâmetros desempenham um papel na penetração e a maneira tradicional de investigar esses efeitos seria exaustiva e demorada. Por isso, optamos por usar uma abordagem de Machine Learning para realizar este estudo. Uma vez ajustados os parâmetros, o estudo de confinamento pôde ser realizado. O objetivo principal deste estudo foi entender como a microestrutura de suspensões concentradas é afetada pela vazão, rigidez das partículas e confinamento. Verificou-se que partículas muito flexíveis sempre formam um aglomerado gigante independente da razão de confinamento; a diferença está em quão compactadas são as partículas. No caso de partículas rígidas, um confinamento mais forte leva à formação de aglomerados maiores. O estudo final aborda um estudo de aprendizado de máquina realizado para prever a reologia de suspensões não confinadas. Com este trabalho foi possível entender e ajustar parâmetros de simulação e desenvolver um domínio computacional que permite estudar sistematicamente efeitos do confinamento em suspensões.