dc.contributorSantos, Fábio Pereira dos
dc.contributorhttp://lattes.cnpq.br/3266981988847625
dc.contributorhttp://lattes.cnpq.br/5529831855258217
dc.contributorMaionchi, Daniela de Oliveira
dc.contributorhttp://lattes.cnpq.br/4561236303105430
dc.contributorKlein, Tânia Suaiden
dc.contributorhttp://lattes.cnpq.br/1008981061334220
dc.contributorFerreira, Gabriel Gonçalves da Silva
dc.contributorhttp://lattes.cnpq.br/7084029375140747
dc.creatorAinstein, Luca Martin
dc.date2023-05-15T15:33:31Z
dc.date2023-09-27T03:00:31Z
dc.date2023-04-13
dc.date.accessioned2023-09-27T14:07:40Z
dc.date.available2023-09-27T14:07:40Z
dc.identifierhttp://hdl.handle.net/11422/20460
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8919328
dc.descriptionEste 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.
dc.languageeng
dc.publisherUniversidade Federal do Rio de Janeiro
dc.publisherBrasil
dc.publisherEscola de Química
dc.publisherUFRJ
dc.rightsAcesso Aberto
dc.subjectFluidinâmica computacional (CFD)
dc.subjectInteligência artificial
dc.subjectBanco de dados
dc.subjectRedes neurais
dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA QUIMICA::TECNOLOGIA QUIMICA
dc.titleMachine Learning and CFD: a new approach to simulate and optimize micromixers in different geometries
dc.typeTrabalho de conclusão de graduação


Este ítem pertenece a la siguiente institución