Desenvolvimento de metodologia baseada em “Redes Neuronais com Informação Física” (PINNs) para obtenção de modelos substitutos para projeto, controle e otimização de processos da indústria do óleo e gás

Resumo:

Diversos setores do mundo contemporâneo estão vivendo uma revolução tecnológica: a era da “big data”. Impõe-se, por conseguinte, a questão de como os processos da indústria de óleo e gás (O&G) podem evoluir no contexto de um mundo interconectado e rico em dados, onde estão disponíveis métodos avançados de aprendizado de máquina baseados em dados, assim como tecnologias apropriadas de hardware para sua implementação. Neste Projeto, investiga-se o uso de estruturas chamadas Redes Neuronais com Informação Física ou PINNs (“Physics-informed neural networks”), nas quais dados observados de um dado sistema são ajustados, enquanto as leis físicas o que governam são respeitadas. Para tanto, empregam-se redes neuronais supervisionadas e equações diferenciais parciais (EDPs) não lineares. Nessa abordagem, redes neuronais densas têm sido empregadas na solução de várias EDPs, como, por exemplo, as equações de Navier-Stokes. Além da capacidade de predição com respeito às leis físicas, as redes PINNs são capazes de utilizar a diferenciação automática do backpropagation. Na literatura, há estudos de PINNs como modelos substitutos, com demanda computacional reduzida, e na descoberta de EDPs, a partir de dados. No LADES, as PINNs foram usadas como modelos substitutos de modelos de fluidodinâmica computacional (CFD), para capturar o comportamento complexo dos campos de pressão e velocidade em ciclones (Queiroz et al., 2021). A extensão da abordagem visando ao desenvolvimento de metodologia para obtenção de modelos substitutos baseados em PINNs para projeto, controle e otimização de outros equipamentos da indústria do O&G está sendo atualmente procedida.

Resultados:

QUEIROZ, L.H.; SANTOS, F.P.; OLIVEIRA, J.P. ; SOUZA, M.B. Physics-Informed Deep Learning to Predict Flow Fields in Cyclone Separators. Digital Chemical Engineering, Elsevier, v. 1, p. 100002, 2021. https://doi.org/10.1016/j.dche.2021.100002.