Use este identificador para citar ou linkar para este item: http://hdl.handle.net/11422/13776
Tipo: Dissertação
Título: Influência do tratamento da base de dados DNS na aplicação de técnicas de aprendizagem de máquina para melhorar acurácia de simulações RANS
Título(s) alternativo(s): DNS database pre processing influence in machine learning techniques for accuracy improvement of RANS simulations
Autor(es)/Inventor(es): Rangel, Victor Bitencour
Orientador: Thompson, Roney Leon
Resumo: Das técnicas de soluções numéricas para escoamentos turbulentos, Reynolds Average Navier-Stokes (RANS) realiza simulações de baixo custo e respostas rápidas, porém baixa acurácia de resultados. Large Eddy Simulation (LES) e Direct Numerical Simulation (DNS) privilegiam a acurácia, mas elevam demasiadamente o custo computacional, tornando proibitivo utilizá-las na indústria. A utilização de aprendizado de máquina para suprimir a deficiência de RANS vem recebendo recente atenção. Tal abordagem visa fazer com que RANS aprenda com resultados mais nobres, como os de DNS. A principal entidade empregada na correção de escoamentos RANS na literatura é o tensor das tensões de Reynolds (R). Porém, recentes estudos indicam que R não apresenta boa convergência nas bases de dados DNS disponíveis quando comparado aos demais campos. Surgiu então a metodologia onde se corrige o divergente modificado de R, denominado aqui de vetor t, para contornar incertezas geradas pela correção de R. Esta mostrou resultados promissores, por vezes melhores que os da correção de R. Este trabalho mostra a influência da qualidade da base de dados DNS na previsão de uma rede neural (RN) para as correções de R e de t, para o escoamento turbulento em duto de seção quadrada. Dados DNS são tratados a fim de simular melhor convergência dos mesmos. Resultados mostram que, quão melhor convergida é a base DNS, melhores são os resultados da RN. A simetria dos dados tem grande influência no desempenho da RN, a qual performou melhor quando imposta a simetria total dos dados, para ambas metodologias de correção. Constatou-se que a metodologia t apresenta erros globais menores que a R na direção principal do escoamento, mas não nas secundarias, o que coloca em discussão a utilização da mesma.
Resumo: Among numerical solution techniques for turbulent flow, Reynolds Average Navier-Stokes (RANS) presents low computational and time costs, but also lower accuracy. Large Eddy Simulation (LES) and Direct Numerical Simulation (DNS) present greater accuracy, but both require much more computational effort and simulation time, making them impracticable in daily industry problem solution. The utilization of machine learning (ML) to help improve RANS results is receiving some attention lately. Such approach makes RANS simulations achieve better results by learning them from more noble ones, as DNS simulation for example. The main entity applied in RANS correction is the Reynolds stress tensor (R). Although, recent studies show that R does not present well converged results from available DNS data base when compared to other fields convergence. Another entity is introduced in ML techniques in order to bypass uncertainties generated by the correction of R, it is the modified divergence of R which is called here as vector t. The correction of t, when compared to R methodology, has shown promising results, even presenting better results than the ones achieved by correcting R. The present work studies how DNS data base quality influences on neural network (NN) prediction for both aforementioned methodologies: correction of R and t, for square duct turbulent flow. DNS data are manipulated in order to simulate better convergence. Results show that better converged DNS data leads to better NN predictions, which has presented its best results when total data symmetry was imposed for both correction methodologies. It was also observed that correction of t presents lower global errors for the main direction flow when compared to R correction, but not for the secondary direction flows, which puts such methodology in doubt about its advantages in relation to R correction.
Palavras-chave: Turbulência
Aprendizado de máquina
Simulação numérica
Assunto CNPq: CNPQ::ENGENHARIAS::ENGENHARIA MECANICA
Programa: Programa de Pós-Graduação em Engenharia Mecânica
Unidade produtora: Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Editora: Universidade Federal do Rio de Janeiro
Data de publicação: Set-2019
País de publicação: Brasil
Idioma da publicação: por
Tipo de acesso: Acesso Aberto
Aparece nas coleções:Engenharia Mecânica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
VictorBitencourRangel.pdf8.04 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.