Investigação de redes neurais convolucionais na geração de modelos de substituição em processo de desenvolvimento de peças industriais

• Ano de defesa: 2024
• Autor(a) principal: Campos, Leonardo Souza [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Redes neurais (Computação); Aprendizado de máquina; Aprendizado profundo; Fluidodinâmica computacional; Modelos de substituição; Desenvolvimento de peças; Machine learning; Deep learning; Convolutional neural networks; Computational fluid dynamics; Surrogate models; Product development; Neural networks (Computer science)
• Link de acesso: https://hdl.handle.net/11449/257622

As ferramentas de aprendizado de máquina, em especial redes neurais artificiais, têm trazido enormes avanços em diversas áreas da ciência e tecnologia. Um dos campos em que o aprendizado profundo tem potencial para trazer ganhos significativos é sua utilização em conjunto com ferramentas de simulação computacional, tais como fluidodinâmica computacional. Este trabalho estudou a aplicação de arquiteturas de redes neurais artificiais, especificamente redes convolucionais, na geração de um modelo de substituição que se utiliza de técnicas de aprendizado supervisionado no treinamento de um modelo capaz de representar o escoamento e a interação fluido-estrutura de um determinado perfil fluidodinâmico. Este modelo foi treinado a partir de resultados de simulação obtidos por dados de simulação de fluidodinâmica computacional de dispensadores de sabão em pó de lavadoras de roupas, relacionado aos campos escalares de cisalhamento e fração volumétrica na superfície crítica do componente. Os hiperparâmetros ótimos da rede neural foram obtidos através do uso de experimentos fatoriais para ambos os campos escalares. Um modelo de regressão também foi criado para obter o efeito de cada variável geométrica do modelo paramétrico utilizado para gerar os indivíduos de treinamento com o erro da rede. Os resultados obtidos demonstram boa aderência entre os resultados obtidos com o modelo de substituição com os resultados obtidos via simulação. Vale destacar também que a arquitetura de rede neural e os algoritmos de otimização e treinamento podem ser aplicados a qualquer outro domínio físico, não sendo limitado ao utilizado para treinamento neste estudo.