1. Pantheon
  2. Trabalhos Acadêmicos e Técnicos
  3. Trabalhos de Conclusão de Curso de Graduação
  4. Engenharia Química
Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/20460
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorSantos, Fábio Pereira dos-
dc.contributor.authorAinstein, Luca Martin-
dc.date.accessioned2023-05-15T15:33:31Z-
dc.date.available2023-12-21T03:00:25Z-
dc.date.issued2023-04-13-
dc.identifier.urihttp://hdl.handle.net/11422/20460-
dc.languageengpt_BR
dc.publisherUniversidade Federal do Rio de Janeiropt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectFluidinâmica computacional (CFD)pt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectBanco de dadospt_BR
dc.subjectRedes neuraispt_BR
dc.titleMachine Learning and CFD: a new approach to simulate and optimize micromixers in different geometriespt_BR
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/3266981988847625pt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/5529831855258217pt_BR
dc.contributor.advisorCo1Maionchi, Daniela de Oliveira-
dc.contributor.advisorCo1Latteshttp://lattes.cnpq.br/4561236303105430pt_BR
dc.contributor.referee1Klein, Tânia Suaiden-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/1008981061334220pt_BR
dc.contributor.referee2Ferreira, Gabriel Gonçalves da Silva-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/7084029375140747pt_BR
dc.description.resumoEste trabalho busca explorar uma nova abordagem de otimização na área de microfluidodinâmica, utilizando a combinação de técnicas de Dinâmica de Fluidos Computacional (CFD) e Inteligência Artificial. O objetivo desta combinação é possibilitar a realização de uma otimização global com menor custo computacional. Essa otimização ocorre através da possibilidade de construir um banco de dados de simulações em um menor tempo, utilizando uma rede neural densa treinada com os dados obtidos utilizando CFD. Neste trabalho foi possível testar, para micromisturadores de geometria-Y, 265 simulações, variando parâmetros como diâmetro da obstrução (OD) e offset da obstrução (OF), permitindo obter uma rede neural que apresenta erros de cálculo menores do que 1% para o processo de escoamento e menores do que 4% para a perda de carga. Por fim, a utilização do algoritmo genético possibilitou, levando 3 parâmetros como base (custo da energia da mistura, perda de carga e porcentagem de mistura), otimizar os valores de OD e OF da geometria globalmente.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentEscola de Químicapt_BR
dc.publisher.initialsUFRJpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA QUIMICA::TECNOLOGIA QUIMICApt_BR
dc.embargo.termsabertopt_BR
Appears in Collections:Engenharia Química

Files in This Item:
File Description SizeFormat 
LMAinstein.pdf1.02 MBAdobe PDFView/Open
Show simple item record Recommend this item View Statistics


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.