Predicting rheological parameters of natural viscoplastic fluids through artificial neural networks
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | eng |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/240927 |
Resumo: | As corridas de detritos são fenômenos geológicos com grande potencial de causar prejuízos e danos a vida humana. Esses fenômenos são rápidos escoamentos de um fluido composto por uma mistura de água saturada com sedimentos, de alta densidade e que pode alcançar velocidades de mais de 30km/h. As corridas de detritos têm alto poder erosivo e são capazes de arrastar grandes objetos como árvores e carros. Para avaliar as áreas sujeitas a esses fenômenos e estimar seus impactos, é necessário conhecer as equações constitutivas que governam os fluidos desses fenômenos. Uma eficiente alternativa é o uso de modelos que descrevem o comportamento desses fluidos com base em parâmetros reométricos fixos, como a tensão limite de escoamento e a consistência, o que torna crítica a mensuração destes parâmetros reológicos. O objetivo deste trabalho é desenvolver um modelo utilizando o método de redes neurais para prever propriedades reológicas desses fluidos com base na sua composição sedimentar. 178 observações coletadas de estudos já publicados foram empregadas na construção e validação do modelo. Três redes neurais, uma para cada propriedade reológica, foram construídas. Os resultados mostraram que é possível usar dessa tecnologia para prever as propriedades reológicas com base na composição sedimentar. Mais estudos, porém, são necessários para melhorar a precisão e acurácia desses modelos. |
id |
UFRGS-2_e838f95cb90cc77e85e4a2b5ef59c27f |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/240927 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Ferreira, Henrique RossetFiorot, Guilherme Henrique2022-06-24T04:43:30Z2021http://hdl.handle.net/10183/240927001127368As corridas de detritos são fenômenos geológicos com grande potencial de causar prejuízos e danos a vida humana. Esses fenômenos são rápidos escoamentos de um fluido composto por uma mistura de água saturada com sedimentos, de alta densidade e que pode alcançar velocidades de mais de 30km/h. As corridas de detritos têm alto poder erosivo e são capazes de arrastar grandes objetos como árvores e carros. Para avaliar as áreas sujeitas a esses fenômenos e estimar seus impactos, é necessário conhecer as equações constitutivas que governam os fluidos desses fenômenos. Uma eficiente alternativa é o uso de modelos que descrevem o comportamento desses fluidos com base em parâmetros reométricos fixos, como a tensão limite de escoamento e a consistência, o que torna crítica a mensuração destes parâmetros reológicos. O objetivo deste trabalho é desenvolver um modelo utilizando o método de redes neurais para prever propriedades reológicas desses fluidos com base na sua composição sedimentar. 178 observações coletadas de estudos já publicados foram empregadas na construção e validação do modelo. Três redes neurais, uma para cada propriedade reológica, foram construídas. Os resultados mostraram que é possível usar dessa tecnologia para prever as propriedades reológicas com base na composição sedimentar. Mais estudos, porém, são necessários para melhorar a precisão e acurácia desses modelos.Debris flows are geological phenomena that can represent serious threats to life and property. They are fast mass movements of water-sediment mixtures, saturated with sediments that scale from smaller than 2 µm to up to 2 cm. Debris flow has heavy bulk densities and can travel at speeds up to 30 kph. They have high erosive capacity and can carry large items such as rocks (up to 1 m), trees, and cars. To assess the occurrence susceptibility and hazard risk of these phenomena, the evaluation of constitutive laws for the debris flow materials is required. Phenomenological models that describe these materials' behavior by fixed rheometric parameters, such as yield stress and consistency, had been attested as an effective alternative. Thus, the evaluation of these material rheological parameters plays a key role in this rheology framework. The objective of this study is to develop a predictive model using artificial neural networks to identify the mixture's rheological properties (yield stress, consistency, and flow index), based on the mixture solid concentration and the sediment grainsize distribution. 178 data points obtained from previous studies were used to build the model. Three single-hidden layer neural networks were built to predict each rheological property. The models showed that the prediction of these rheological properties based on mixture composition is feasible but needs further efforts to improve the model’s accuracy and precision.application/pdfengFluxo de detritosRedes neurais artificiaisReologiaDebris flowNeural networksBingham fluidHerschel–Bulkley fluidPredictive modelingPredicting rheological parameters of natural viscoplastic fluids through artificial neural networksinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPorto Alegre, BR-RS2021Engenharia Mecânicagraduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001127368.pdf.txt001127368.pdf.txtExtracted Texttext/plain49285http://www.lume.ufrgs.br/bitstream/10183/240927/2/001127368.pdf.txt1634618b83a1c3dd41bb1e3bd8b49c9fMD52ORIGINAL001127368.pdfTexto completo (inglês)application/pdf455962http://www.lume.ufrgs.br/bitstream/10183/240927/1/001127368.pdfe97332535ea6e262c3a1d7c8065b6104MD5110183/2409272022-06-25 05:08:07.868337oai:www.lume.ufrgs.br:10183/240927Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2022-06-25T08:08:07Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Predicting rheological parameters of natural viscoplastic fluids through artificial neural networks |
title |
Predicting rheological parameters of natural viscoplastic fluids through artificial neural networks |
spellingShingle |
Predicting rheological parameters of natural viscoplastic fluids through artificial neural networks Ferreira, Henrique Rosset Fluxo de detritos Redes neurais artificiais Reologia Debris flow Neural networks Bingham fluid Herschel–Bulkley fluid Predictive modeling |
title_short |
Predicting rheological parameters of natural viscoplastic fluids through artificial neural networks |
title_full |
Predicting rheological parameters of natural viscoplastic fluids through artificial neural networks |
title_fullStr |
Predicting rheological parameters of natural viscoplastic fluids through artificial neural networks |
title_full_unstemmed |
Predicting rheological parameters of natural viscoplastic fluids through artificial neural networks |
title_sort |
Predicting rheological parameters of natural viscoplastic fluids through artificial neural networks |
author |
Ferreira, Henrique Rosset |
author_facet |
Ferreira, Henrique Rosset |
author_role |
author |
dc.contributor.author.fl_str_mv |
Ferreira, Henrique Rosset |
dc.contributor.advisor1.fl_str_mv |
Fiorot, Guilherme Henrique |
contributor_str_mv |
Fiorot, Guilherme Henrique |
dc.subject.por.fl_str_mv |
Fluxo de detritos Redes neurais artificiais Reologia |
topic |
Fluxo de detritos Redes neurais artificiais Reologia Debris flow Neural networks Bingham fluid Herschel–Bulkley fluid Predictive modeling |
dc.subject.eng.fl_str_mv |
Debris flow Neural networks Bingham fluid Herschel–Bulkley fluid Predictive modeling |
description |
As corridas de detritos são fenômenos geológicos com grande potencial de causar prejuízos e danos a vida humana. Esses fenômenos são rápidos escoamentos de um fluido composto por uma mistura de água saturada com sedimentos, de alta densidade e que pode alcançar velocidades de mais de 30km/h. As corridas de detritos têm alto poder erosivo e são capazes de arrastar grandes objetos como árvores e carros. Para avaliar as áreas sujeitas a esses fenômenos e estimar seus impactos, é necessário conhecer as equações constitutivas que governam os fluidos desses fenômenos. Uma eficiente alternativa é o uso de modelos que descrevem o comportamento desses fluidos com base em parâmetros reométricos fixos, como a tensão limite de escoamento e a consistência, o que torna crítica a mensuração destes parâmetros reológicos. O objetivo deste trabalho é desenvolver um modelo utilizando o método de redes neurais para prever propriedades reológicas desses fluidos com base na sua composição sedimentar. 178 observações coletadas de estudos já publicados foram empregadas na construção e validação do modelo. Três redes neurais, uma para cada propriedade reológica, foram construídas. Os resultados mostraram que é possível usar dessa tecnologia para prever as propriedades reológicas com base na composição sedimentar. Mais estudos, porém, são necessários para melhorar a precisão e acurácia desses modelos. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021 |
dc.date.accessioned.fl_str_mv |
2022-06-24T04:43:30Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/240927 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001127368 |
url |
http://hdl.handle.net/10183/240927 |
identifier_str_mv |
001127368 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/240927/2/001127368.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/240927/1/001127368.pdf |
bitstream.checksum.fl_str_mv |
1634618b83a1c3dd41bb1e3bd8b49c9f e97332535ea6e262c3a1d7c8065b6104 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224636147433472 |