Estimativa de fluxo de calor com variação espacial e temporal através do método de Monte Carlo com cadeias de Markov e transformadas integrais
Ano de defesa: | 2017 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Tese |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade do Estado do Rio de Janeiro
Centro de Tecnologia e Ciências::Instituto Politécnico BR UERJ Programa de Pós-Graduação em Modelagem Computacional |
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | http://www.bdtd.uerj.br/handle/1/13711 |
Resumo: | Este trabalho aborda o problema inverso de condução para estimar um fluxo de calor com variação espacial e temporal aplicada a uma placa termicamente fina dentro do contexto da inferência Bayesiana, empregando o método de Monte Carlo com Cadeias de Markov. A fim de permitir a tarefa intensiva computador, necessária para a solução do problema inverso, o problema físico é modelado com uma formulação de parâmetros concentrados - Classical Lumped na direção da espessura da amostra e a equação diferencial resultante é resolvida por meio do Método das Diferenças Finitas e do Método híbrido analítico-numérico da Transformada Integral Generalizada - GITT. A solução do problema inverso utiliza dados experimentais simulados na superfície da placa, que podem ser obtidos, por exemplo, através de um sistema de termografia de infravermelhos. Diferentes prioris de Campos Aleatórios de Markov - MRF, são combinadas e analisadas para a estimativa do fluxo de calor com a variação no tempo e no espaço: a de Variação Total e a Gaussiana Suave. Propõe-se uma combinação de ambos, utilizando a priori de Variação Total para regularização da variável espacial e a priori da Gaussiana Suave para regularização da variável temporal. Os resultados preliminares obtidos indicam a viabilidade da abordagem proposta, especialmente a combinação da Variação Total e Gaussiana Suave, que produziram os melhores resultados. |