O campo da mecânica dos fluidos está avançando rapidamente impulsionado por volumes sem precedentes de dados de experimentos, medições de campo e simulações em grande escala em múltiplas escalas espaço-temporais.
Ao longo dos últimos 50 anos, diversas técnicas foram desenvolvidas para processamento e compreensão dos dados gerados. Porém, na última década o crescimento de análise utilizando o machine learning (ML) tem ganho maior relevância e tem se tornado o novo modo de análise de dados.
O aprendizado de máquina oferece uma variedade de técnicas para extrair informações de dados que podem ser traduzidos em conhecimento sobre a mecânica dos fluidos. Com isso, o machine learning quando aplicado em conjunto com a fluidodinâmica tem ganho relevância nos seguintes fatores:
Aumento do volume de dados coletados em campo;
Avanços em hardwares computacionais e redução dos custos da simulação computacional;
Novos algoritmos de análise foram desenvolvidos;
Disseminação de softwares open source para análise dos dados;
Aumento do interesse comercial por parte das indústrias.
TÉCNICAS DE MACHINE LEARNING.
O aprendizado de máquina pode ser categorizado em três tipos: Supervisionado, não supervisionado e semi-supervisionado. Fique calmo, que vou explicar cada um deles para você.
Aprendizado supervisionado
O aprendizado supervisionado ocorre quando o modelo aprende a partir de rótulos pré-definidos. A ideia da supervisão está associada com a necessidade de um rótulo para que ao fazer a predição da feature os valores passados da variável target para aprender quais devem ser as possibilidades de resultados na saída.
Vou demonstrar isso para vocês com um exemplo básico através de dataset clássico conhecido como Íris (a flor). No dataset Íris encontramos os seguintes dados, onde os rótulos são as flores e o target são os atributos de cada flor.
Rótulos (Espécies): Íris Setosa, Íris versicolor e Íris Virginica.
Target (Características): comprimento da sépala, largura da sépala, comprimento da pétala, largura da pétala.
Quando queremos classificar um novo dado, colocamos como input as targets e o aprendizado de máquina classifica o nosso dado como uma flor íris setosa, versicolor ou virginica. A partir disso, notamos que os rótulos foram pré-definidos e o nosso dado só consegue ser classificado como uma espécie, porque o usuário já havia inserido esses dados para a classificação.
Aprendizado não supervisionado
Ao contrário do aprendizado supervisionado que acabamos de discutir, no aprendizado não supervisionado não existem resultados pré-definidos para o modelo utilizar como referência para aprender, ou seja, os dados não possuem os rótulos.
Como então o nosso aprendizado de máquina atuará? Nesse caso, o algoritmo deve encontrar estruturas e padrões, e então classificar os novos resultados a partir da similaridade das suas características, com os grupos descobertos no treinamento. O exemplo abaixo demonstra que os dados se classificam de acordo com grupos que não necessariamente estão vinculados a um rótulo pré-estabelecido. Ao plotarmos os gráficos, notamos que existem certos “padrões” mas eles não recebem nenhum rótulo.
Aprendizado semi supervisionado
Por fim, o aprendizado semi supervisionado tem como principal ideia a de mesclar as duas metodologias anteriormente explicadas. Onde a máquina tenta aprender qual é a melhor ação a ser tomada, dependendo das circunstâncias na qual essa ação será executada.
DESAFIOS E OPORTUNIDADES DO MACHINE LEARNING NA FLUIDODINÂMICA.
Conforme vimos, o machine learning fornece uma estrutura de modelagem modular e ágil que pode ser adaptada para lidar com muitos desafios em mecânica dos fluidos, como modelagem de ordem reduzida, processamento de dados experimentais, otimização de forma, modelagem de fechamento de turbulência e controle.
Fluidodinâmica modelada com Machine Learning
Na mecânica dos fluidos, existem esforços significativos para identificar transformações de coordenadas e reduções de dimensões na análise de dados.
Por isso, atualmente existem dois campos que têm ganho relevância na área de estudos de machine learning aplicados à fluidodinâmica: a redução de dimensionalidade e ordem reduzida modelagem.
A redução da dimensionalidade envolve a extração de características-chave e padrões dominantes que pode ser usado como coordenadas reduzidas onde o fluido é descrito de forma compacta e eficiente . Já a modelagem de ordem reduzida descreve a evolução espaço-temporal do fluxo como um sistema dinâmico parametrizado, embora também possa envolver o desenvolvimento de um mapa estatístico de parâmetros para quantidades médias, como arrasto.
Para demonstrarmos algumas aplicações de estudos realizados da aplicação de ML em algumas áreas, a seguir eu trago dois exemplos muito bons para compreensão das aplicações. Para consultar mais detalhes, eu deixarei nas referências o artigo que traz os estudos por completo.
Redução da dimensionalidade: Uma abordagem comum na simulação e modelagem de fluidodinâmica é definir uma transformação linear ortogonal a partir de coordenadas físicas em uma base modal. O POD fornece essa base ortogonal para geometrias complexas com base em medições empíricas (Sirovich, 1987).
Redes Neurais: Nas últimas três décadas, redes neurais (NNS) têm sido usadas para modelar sistemas dinâmicos e problemas de mecânica dos fluidos. Os primeiros exemplos incluem o uso de NNs para aprender as soluções de equações diferenciais ordinárias e parciais (Dissanayake & Phan-Thien 1994, Gonzalez-Garcia et al. 1998, Lagaris et al. 1998).
Deep Learning: Pesquisadores têm aprimorado técnicas de deep learning em conjunto com a análise fluidodinâmica analisar o escoamento para a análise de escoamentos ao redor de cilindro, análise do campo de pressão e de velocidade de um escoamento, dentre outros.
Conforme notamos, os algoritmos de ML apresentam um arsenal de ferramentas, que pode amplamente ser explorado na pesquisa de mecânica dos fluidos, contribuindo assim para o aumento do número de ferramentas disponíveis para análise dos fenômenos físicos.
Portanto, o conhecimento da mecânica dos fluidos e as leis de conservação centenárias permanecem relevantes na era dos big data. Esse conhecimento ajudará a simulação computacional a trabalhar em conjunto com o Machine Learning para o desenvolvimento de novas soluções complexas nas mais diversas áreas da Engenharia.
Referências:
Comentários