Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/39385| Título: | Previsão de propriedades reológicas em alta temperatura de nanossuspensões de sílica via redes neurais profundas |
| Título(s) alternativo(s): | High-temperature prevision of rheological properties of silica nanosuspensions using deep neural networks |
| Autor(es): | Costantino, Matheus Silveira |
| Orientador(es): | Franco, Admilson Teixeira |
| Palavras-chave: | Aprendizado profundo (Aprendizado do computador) Nanopartículas Fluidos não-newtonianos Fluidos newtonianos - Efeito da temperatura Reologia Sílica Deep learning (Machine learning) Nanoparticles Non-Newtonian fluids Newtonian fluids - Effect of temperature on Rheology Silica |
| Data do documento: | 26-Ago-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | COSTANTINO, Matheus Silveira. Previsão de propriedades reológicas em alta temperatura de nanossuspensões de sílica via redes neurais profundas. 2026. Dissertação (Mestrado em Engenharia Mecânica e de Materiais) - Universidade Tecnológica Federal do Paraná, Curitiba, 2025. |
| Resumo: | O aprendizado de máquina amplia o alcance da reologia, permitindo explorar regiões onde os instrumentos tradicionais já não conseguem medir. No presente trabalho são investigados os impactos da adição de nanopartículas de sílica em fluido base newtoniano (óleo mineral), com ênfase na análise das propriedades reológicas sob diferentes temperaturas. A introdução das nanopartículas promove alterações significativas no comportamento do fluido, que se intensificam com a elevação da temperatura e a variação da concentração. O estudo concentra-se na análise e previsão do comportamento reológico dos nanofluidos, tanto em condições experimentais observadas quanto em faixas extrapoladas, onde a instrumentação convencional, como o reômetro, apresenta limitações de medição. Para isso, são empregadas técnicas de aprendizado de máquina, com destaque para abordagens baseadas em deep learning, aplicadas a dados de curvas de escoamento obtidos experimentalmente para concentrações volumétricas de 0,25%, 0,5%, 1,0%, 1,5% e 2,0% de nanopartículas de sílica, sob diferentes níveis de temperatura: 4◦C, 15◦C, 50◦C, 75◦C, 100◦C e 125◦C. Os resultados demonstram que o modelo desenvolvido possui elevada capacidade preditiva e apresenta robustez frente ao sobreajuste (overfitting), indicando eficácia na generalização do comportamento reológico dos nanofluidos. Além disso, observa-se que o modelo é capaz de fornecer estimativas coerentes para regiões não acessíveis experimentalmente, contribuindo para o melhor aproveitamento dos dados obtidos em laboratório e oferecendo suporte à compreensão dos efeitos da temperatura da amostra e da concentração de nanopartículas na resposta reológica do sistema. |
| Abstract: | Machine learning enables rheological predictions even beyond the limits of conventional hightemperature instrumentation. This work investigates the impacts of adding silica nanoparticles to a Newtonian base fluid (mineral oil), with an emphasis on analyzing the rheological properties under varying temperature conditions. The incorporation of these nanoparticles leads to pronounced modifications in the fluid’s rheological behavior, which become more prominent as temperature and nanoparticle concentration increase. The study focuses on extrapolated regions where conventional instruments, such as rheometers, face measurement limitations.To this end, machine learning techniques are employed, with particular emphasis on deep learning approaches, applied to flow curve data obtained experimentally for silica nanoparticle volumetric concentrations of 0.25%, 0.5%, 1.0%, 1.5%, and 2.0%, under various thermal conditions: 4◦C, 15◦C, 50◦C, 75◦C, 100◦C, and 125◦C. The results demonstrate that the developed model exhibits high predictive capability and robustness against overfitting, indicating its effectiveness in generalizing the rheological behavior of nanofluids. Furthermore, the model can provide consistent estimates in regions not experimentally accessible, thus enhancing the utilization of laboratory data and supporting a deeper understanding of the effects of temperature and concentration on the system’s rheological response. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/39385 |
| Aparece nas coleções: | CT - Programa de Pós-Graduação em Engenharia Mecânica e de Materiais |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| previsaosilicaredesneurais.pdf | 2,68 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
