A state-of-the-art of physics-informed neural networks in engineering

• Autor(a) principal: Cerqueira, Pedro Henrique da Silva Singue
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: eng
• Título da fonte: Repositório Institucional da UFRJ
• Texto Completo: http://hdl.handle.net/11422/15774
• topic: CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA; Aprendizado computacional; Redes neurais; Modelos não lineares; Machine learning; Neural networks; Nonlinear dynamics

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).