Use este identificador para citar ou linkar para este item: http://hdl.handle.net/11422/15774
Tipo: Trabalho de conclusão de graduação
Título: A state-of-the-art of physics-informed neural networks in engineering
Autor(es)/Inventor(es): Cerqueira, Pedro Henrique da Silva Singue
Orientador: Santos, Fábio Pereira dos
Coorientador: Reis, Lucas Henrique Queiroz dos
Resumo: Técnicas de machine learning vêm ganhando cada vez mais espaço no cenário industrial no intuito de converter o crescente fluxo de informação (data) em melhorias de processos. Entre tais técnicas, as redes neuronais se destacam devido à sua capacidade de aproximador universal de funções, cuja performance pode ser enriquecida ao se fornecer conhecimentos físicos prévios: tem-se, então, o desenvolvimento das Physics-informed neural networks (PINN). Nesse contexto e observando-se um “gap” na produção de trabalhos relacionados ao tema e da difusão dessa temática na grade de formação dos cursos da Escola de Química, esse trabalho se propõe a realizar um estado da arte da técnica mencionada. Observou-se interesse particular das PINN para aplicações em mecânica dos fluidos e transferência de calor. Ademais, as PINN se mostram ferramentas importantes tanto para a resolução de problemas ditos “diretos” quanto “indiretos”. Por fim, através de exemplos práticos, constatou-se a capacidade de se aproximar funções de interesse particular na indústria química usando-se redes neurais sem nenhuma informação física do problema (obtenção do fator de atrito) e utilizando-se a equação diferencial que descreve o problema (resolução da equação de difusão em 1D).
Resumo: Machine learning techniques have gained space in the industrial scenario as a tool to convert the increasing flux of information (data) in process improvement. Among these techniques, neural networks has got much attention due to their universal approximators capacity, of which performance can be improved by providing previous physical knowledge: one has, therefore, the development of the so called Physicsinformed neural networks (PINN). In such context and having noticed a “gap” in the works related on this topics and in the diffusion of this theme in the School of Chemistry, this work proposes a state-of-the-art of the mentioned technique. Particular interesting concerning PINN in fluid mechanics and heat transfer has been noticed. Moreover, PINN have been pointed as important tools for solving forward and inverse problems. Finally, through practical examples, this work has shown the use of neural networks for solving one particular example in chemical engineering without informing the physics of the problem (obtaining the friction factor) and using the differential equation that describes it (solving the 1D heat diffusion equation).
Palavras-chave: Aprendizado computacional
Redes neurais
Modelos não lineares
Machine learning
Neural networks
Nonlinear dynamics
Assunto CNPq: CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA
Unidade produtora: Escola de Química
Editora: Universidade Federal do Rio de Janeiro
Data de publicação: 11-Ago-2021
País de publicação: Brasil
Idioma da publicação: eng
Tipo de acesso: Acesso Aberto
Aparece nas coleções:Engenharia Química

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
PHSSCerqueira.pdf1.65 MBAdobe PDFVisualizar/Abrir


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