Glossário IA
O dicionário completo da Inteligência Artificial
Equações de Navier-Stokes
Sistema de equações diferenciais parciais que descrevem o movimento de fluidos newtonianos, combinando conservação de massa e quantidade de movimento, fundamental para a modelagem de escoamentos.
Redes Neurais Informadas pela Física (PINNs)
Arquitetura de redes neurais que integram leis físicas como restrições na função de perda, permitindo resolver equações diferenciais parciais sem dados de treinamento supervisionados.
CFD Assistida por IA
Abordagem híbrida que combina a dinâmica de fluidos computacional tradicional com técnicas de aprendizado de máquina para acelerar simulações e melhorar a precisão das previsões.
Modelagem de Turbulência por IA
Uso de redes neurais para modelar escalas de sub-rede turbulentas, substituindo os modelos RANS tradicionais por abordagens baseadas em dados.
Redução de Modelo por Autoencoders
Técnica de redução de dimensionalidade que utiliza autoencoders para identificar os modos principais de escoamentos fluidos, permitindo simulações em tempo real enquanto preserva a física.
Métodos Lattice Boltzmann Neurais
Abordagem de simulação onde os operadores de colisão e propagação do método Lattice Boltzmann são substituídos por redes neurais para melhorar a eficiência computacional.
GAN para Geração de Escoamentos
Redes adversariais generativas treinadas para produzir campos de escoamentos fluidos realistas, acelerando a geração de condições iniciais e de contorno para simulações CFD.
Solucionadores Híbridos IA-Física
Algoritmos que combinam solucionadores numéricos tradicionais com modelos de aprendizado profundo para corrigir erros e acelerar a convergência de simulações fluidas.
Transferência de Aprendizagem em Dinâmica dos Fluidos
Adaptação de modelos de IA pré-treinados em certos regimes de escoamento para prever comportamentos em condições diferentes, reduzindo significativamente os custos computacionais.
U-Net para Segmentação de Escoamentos
Arquitetura de rede neural convolucional em U especificamente otimizada para identificar e segmentar estruturas coerentes nos campos de velocidade e pressão de escoamentos turbulentos.
Otimização Topológica de Fluidos por IA
Aplicação de aprendizagem por reforço para otimizar formas geométricas em sistemas fluidos, minimizando perdas de carga ou maximizando o desempenho de mistura.
Modelos de Sub-Malha Neurais
Redes neurais substituindo os modelos de turbulência LES tradicionais para capturar os efeitos das pequenas escalas não resolvidas diretamente em simulações de grande escala.
Previsão de Instabilidades Hidrodinâmicas
Utilização de modelos temporais como LSTMs para prever o aparecimento e a evolução de instabilidades em escoamentos, permitindo um controle ativo preventivo.
Colocação Profunda em Mecânica dos Fluidos
Método de treinamento onde os pontos de colocação são distribuídos inteligentemente no domínio físico para garantir uma representação precisa das equações de Navier-Stokes.
Autoencoders Variacionais em CFD
Modelos generativos que aprendem a distribuição latente dos estados de escoamento para permitir a interpolação, extrapolação e amostragem de novos campos fluidos coerentes.
Solucionadores Neurais Sem Malha
Solucionadores baseados em aprendizado profundo que eliminam a necessidade de malha tradicional, utilizando funções de base radial ou outras abordagens sem malha para resolver escoamentos.
Redes Neurais Gráficas para Redes de Fluidos
Aplicação de redes neurais gráficas para modelar fluxos em redes complexas de canais ou tubulações onde a topologia do sistema é naturalmente representada por um grafo.
Controle Ativo de Fluxo com Aprendizado por Reforço
Utilização de aprendizado por reforço para desenvolver estratégias de controle ótimas em tempo real, reduzindo o arrasto ou suprimindo o descolamento da camada limite.