$$\newcommand{\bra}[1]{\left<#1\right|}\newcommand{\ket}[1]{\left|#1\right>}\newcommand{\bk}[2]{\left<#1\middle|#2\right>}\newcommand{\bke}[3]{\left<#1\middle|#2\middle|#3\right>}$$
X
INFORMAÇÕES SOBRE DIREITOS AUTORAIS


As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.

A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.

A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.

A violação de direitos autorais é passível de sanções civis e penais.
Coleção Digital

Avançada


Estatísticas | Formato DC | MARC |



Título: ASSESSMENT OF REDUCED ORDER MODELS APPLIED TO STEADY-STATE BI-DIMENSIONAL LAMINAR METHANE AIR DIFFUSION FLAME
Autor: NICOLE LOPES M DE B JUNQUEIRA
Instituição: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO - PUC-RIO
Colaborador(es):  IGOR BRAGA DE PAULA - ADVISOR
LUIS FERNANDO FIGUEIRA DA SILVA - CO-ADVISOR
LOUISE DA COSTA RAMOS - CO-ADVISOR

Nº do Conteudo: 58795
Catalogação:  03/05/2022 Liberação: 03/05/2022 Idioma(s):  ENGLISH - UNITED STATES
Tipo:  TEXT Subtipo:  THESIS
Natureza:  SCHOLARLY PUBLICATION
Nota:  Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]:  https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=58795@1
Referência [en]:  https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=58795@2
Referência DOI:  https://doi.org/10.17771/PUCRio.acad.58795

Resumo:
Computational fluid dynamics (CFD) is often applied to the study of combustion, enabling to optimize the process and control the emission of pollutants. However, reproducing the behavior observed in engineering systems has a high computational burden. To overcome this cost, machine learning techniques, such as reduced order models (ROM), have been applied to several engineering applications aiming to create models for complex systems with reduced computational cost. Here, the ROM is created using CFD laminar non premixed flame simulation data, decomposing it, and then applying a machine learning algorithm, creating a static ROM. This work analyzes the effect of five different data pre-processing approaches on the ROM, these being: (1) the properties treated as an uncoupled system or as a coupled system, (2) without normalization, (3) with temperature and velocity normalized, (4) all properties normalized, and (5) the logarithm of the chemical species. For all ROM constructed are analyzed the energy of the reduction process and the reconstruction of the flame properties fields. Regarding the reduction energy analysis, the coupled ROM, except the ROM (4), and the logarithm ROM converges faster, similarly to the uncoupled temperature ROM, whereas the uncoupled minor chemical species ROM exhibits a slower convergence, as does the coupled ROM with all properties normalized. So, the learning is achieved with a smaller number of modes for the ROM (2), (3) and (5). As for the reconstruction of the property fields, it is noted that there are regions of negative mass fraction, which suggest that the ROM methodology does not preserve the monocity or the boundedness of the properties. The logarithm approach shows that these problems are overcome and reproduce the original data.

Descrição Arquivo
COMPLETE  PDF
Logo maxwell Agora você pode usar seu login do SAU no Maxwell!!
Fechar Janela



* Esqueceu a senha:
Senha SAU, clique aqui
Senha Maxwell, clique aqui