| dc.contributor | Santos, Fábio Pereira dos | |
| dc.contributor | http://lattes.cnpq.br/3266981988847625 | |
| dc.contributor | http://lattes.cnpq.br/5529831855258217 | |
| dc.contributor | Maionchi, Daniela de Oliveira | |
| dc.contributor | http://lattes.cnpq.br/4561236303105430 | |
| dc.contributor | Klein, Tânia Suaiden | |
| dc.contributor | http://lattes.cnpq.br/1008981061334220 | |
| dc.contributor | Ferreira, Gabriel Gonçalves da Silva | |
| dc.contributor | http://lattes.cnpq.br/7084029375140747 | |
| dc.creator | Ainstein, Luca Martin | |
| dc.date | 2023-05-15T15:33:31Z | |
| dc.date | 2023-09-27T03:00:31Z | |
| dc.date | 2023-04-13 | |
| dc.date.accessioned | 2023-09-27T14:07:40Z | |
| dc.date.available | 2023-09-27T14:07:40Z | |
| dc.identifier | http://hdl.handle.net/11422/20460 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8919328 | |
| dc.description | Este 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.language | eng | |
| dc.publisher | Universidade Federal do Rio de Janeiro | |
| dc.publisher | Brasil | |
| dc.publisher | Escola de Química | |
| dc.publisher | UFRJ | |
| dc.rights | Acesso Aberto | |
| dc.subject | Fluidinâmica computacional (CFD) | |
| dc.subject | Inteligência artificial | |
| dc.subject | Banco de dados | |
| dc.subject | Redes neurais | |
| dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA::TECNOLOGIA QUIMICA | |
| dc.title | Machine Learning and CFD: a new approach to simulate and optimize micromixers in different geometries | |
| dc.type | Trabalho de conclusão de graduação | |
