A state-of-the-art of physics-informed neural networks in engineering
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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). |
id |
UFRJ_b64145e52470eda4b01c0b4aa39caffc |
---|---|
oai_identifier_str |
oai:pantheon.ufrj.br:11422/15774 |
network_acronym_str |
UFRJ |
network_name_str |
Repositório Institucional da UFRJ |
repository_id_str |
|
spelling |
Cerqueira, Pedro Henrique da Silva Singuehttp://lattes.cnpq.br/3266981988847625http://lattes.cnpq.br/3712793523456001Reis, Lucas Henrique Queiroz doshttp://lattes.cnpq.br/3305699506400402Fernandes, Heloísa Lajas Sancheshttp://lattes.cnpq.br/2840875338255590Albuquerque, Victor Corcino dehttp://lattes.cnpq.br/9308228732250858Santos, Fábio Pereira dos2021-12-09T15:32:52Z2023-11-30T03:04:36Z2021-08-11http://hdl.handle.net/11422/15774Técnicas 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).Machine learning techniques have gained space in the industrial scenario as a tool to convert the increasing flux of information (data) in process improvement. Among these techniques, neural networks has got much attention due to their universal approximators capacity, of which performance can be improved by providing previous physical knowledge: one has, therefore, the development of the so called Physicsinformed neural networks (PINN). In such context and having noticed a “gap” in the works related on this topics and in the diffusion of this theme in the School of Chemistry, this work proposes a state-of-the-art of the mentioned technique. Particular interesting concerning PINN in fluid mechanics and heat transfer has been noticed. Moreover, PINN have been pointed as important tools for solving forward and inverse problems. Finally, through practical examples, this work has shown the use of neural networks for solving one particular example in chemical engineering without informing the physics of the problem (obtaining the friction factor) and using the differential equation that describes it (solving the 1D heat diffusion equation).Submitted by Ingrid Souza (ilsouzaf@eq.ufrj.br) on 2021-12-09T15:32:52Z No. of bitstreams: 1 PHSSCerqueira.pdf: 1684626 bytes, checksum: 604c6bd2ca3b2a3786d0c7c2a45ded8c (MD5)Made available in DSpace on 2021-12-09T15:32:52Z (GMT). No. of bitstreams: 1 PHSSCerqueira.pdf: 1684626 bytes, checksum: 604c6bd2ca3b2a3786d0c7c2a45ded8c (MD5) Previous issue date: 2021-08-11engUniversidade Federal do Rio de JaneiroUFRJBrasilEscola de QuímicaCNPQ::ENGENHARIAS::ENGENHARIA QUIMICAAprendizado computacionalRedes neuraisModelos não linearesMachine learningNeural networksNonlinear dynamicsA state-of-the-art of physics-informed neural networks in engineeringinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisabertoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJLICENSElicense.txtlicense.txttext/plain; charset=utf-81853http://pantheon.ufrj.br:80/bitstream/11422/15774/2/license.txtdd32849f2bfb22da963c3aac6e26e255MD52ORIGINALPHSSCerqueira.pdfPHSSCerqueira.pdfapplication/pdf1684626http://pantheon.ufrj.br:80/bitstream/11422/15774/1/PHSSCerqueira.pdf604c6bd2ca3b2a3786d0c7c2a45ded8cMD5111422/157742023-11-30 00:04:36.656oai:pantheon.ufrj.br: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Repositório de PublicaçõesPUBhttp://www.pantheon.ufrj.br/oai/requestopendoar:2023-11-30T03:04:36Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false |
dc.title.en.fl_str_mv |
A state-of-the-art of physics-informed neural networks in engineering |
title |
A state-of-the-art of physics-informed neural networks in engineering |
spellingShingle |
A state-of-the-art of physics-informed neural networks in engineering Cerqueira, Pedro Henrique da Silva Singue CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA Aprendizado computacional Redes neurais Modelos não lineares Machine learning Neural networks Nonlinear dynamics |
title_short |
A state-of-the-art of physics-informed neural networks in engineering |
title_full |
A state-of-the-art of physics-informed neural networks in engineering |
title_fullStr |
A state-of-the-art of physics-informed neural networks in engineering |
title_full_unstemmed |
A state-of-the-art of physics-informed neural networks in engineering |
title_sort |
A state-of-the-art of physics-informed neural networks in engineering |
author |
Cerqueira, Pedro Henrique da Silva Singue |
author_facet |
Cerqueira, Pedro Henrique da Silva Singue |
author_role |
author |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3266981988847625 |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3712793523456001 |
dc.contributor.advisorCo1.none.fl_str_mv |
Reis, Lucas Henrique Queiroz dos |
dc.contributor.advisorCo1Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3305699506400402 |
dc.contributor.author.fl_str_mv |
Cerqueira, Pedro Henrique da Silva Singue |
dc.contributor.referee1.fl_str_mv |
Fernandes, Heloísa Lajas Sanches |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/2840875338255590 |
dc.contributor.referee2.fl_str_mv |
Albuquerque, Victor Corcino de |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/9308228732250858 |
dc.contributor.advisor1.fl_str_mv |
Santos, Fábio Pereira dos |
contributor_str_mv |
Fernandes, Heloísa Lajas Sanches Albuquerque, Victor Corcino de Santos, Fábio Pereira dos |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA Aprendizado computacional Redes neurais Modelos não lineares Machine learning Neural networks Nonlinear dynamics |
dc.subject.por.fl_str_mv |
Aprendizado computacional Redes neurais Modelos não lineares |
dc.subject.eng.fl_str_mv |
Machine learning Neural networks Nonlinear dynamics |
description |
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). |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-12-09T15:32:52Z |
dc.date.issued.fl_str_mv |
2021-08-11 |
dc.date.available.fl_str_mv |
2023-11-30T03:04:36Z |
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/11422/15774 |
url |
http://hdl.handle.net/11422/15774 |
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.publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.publisher.initials.fl_str_mv |
UFRJ |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Escola de Química |
publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRJ instname:Universidade Federal do Rio de Janeiro (UFRJ) instacron:UFRJ |
instname_str |
Universidade Federal do Rio de Janeiro (UFRJ) |
instacron_str |
UFRJ |
institution |
UFRJ |
reponame_str |
Repositório Institucional da UFRJ |
collection |
Repositório Institucional da UFRJ |
bitstream.url.fl_str_mv |
http://pantheon.ufrj.br:80/bitstream/11422/15774/2/license.txt http://pantheon.ufrj.br:80/bitstream/11422/15774/1/PHSSCerqueira.pdf |
bitstream.checksum.fl_str_mv |
dd32849f2bfb22da963c3aac6e26e255 604c6bd2ca3b2a3786d0c7c2a45ded8c |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ) |
repository.mail.fl_str_mv |
|
_version_ |
1784097226715299840 |