Evaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidad
El presente documento presenta una evaluación del uso de redes neuronales en la simulación de fenómenos físicos, específicamente se toma el problema clásico de la mecánica de fluidos de flujo en una cavidad. Para tal fin, se implemento un modelo de aprendizaje profundo basado en perceptrones multica...
- Autores:
-
Zapa Martínez, Juan Pablo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/74293
- Acceso en línea:
- https://hdl.handle.net/1992/74293
- Palabra clave:
- PINNS
Navier-Stokes
Diferencias finitas
Aprendizaje profundo
Ingeniería
- Rights
- openAccess
- License
- http://purl.org/coar/access_right/c_abf2
| id |
UNIANDES2_49bb18a172e4c2372b7435c4419dd744 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/74293 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Evaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidad |
| title |
Evaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidad |
| spellingShingle |
Evaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidad PINNS Navier-Stokes Diferencias finitas Aprendizaje profundo Ingeniería |
| title_short |
Evaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidad |
| title_full |
Evaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidad |
| title_fullStr |
Evaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidad |
| title_full_unstemmed |
Evaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidad |
| title_sort |
Evaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidad |
| dc.creator.fl_str_mv |
Zapa Martínez, Juan Pablo |
| dc.contributor.advisor.none.fl_str_mv |
Lozano Martínez, Fernando Enrique |
| dc.contributor.author.none.fl_str_mv |
Zapa Martínez, Juan Pablo |
| dc.contributor.jury.none.fl_str_mv |
Osma Cruz, Johann Faccelo |
| dc.subject.keyword.spa.fl_str_mv |
PINNS Navier-Stokes Diferencias finitas Aprendizaje profundo |
| topic |
PINNS Navier-Stokes Diferencias finitas Aprendizaje profundo Ingeniería |
| dc.subject.themes.spa.fl_str_mv |
Ingeniería |
| description |
El presente documento presenta una evaluación del uso de redes neuronales en la simulación de fenómenos físicos, específicamente se toma el problema clásico de la mecánica de fluidos de flujo en una cavidad. Para tal fin, se implemento un modelo de aprendizaje profundo basado en perceptrones multicapa (MLP), con modificaciones. Lo anterior en el contexto de las redes neuronales informadas por física o PINNS por sus siglas en ingles. Adicionalmente, se implemento el método de diferencias finitas como un método de solución convencional bajo fines comparativos. Finalmente, se comparan los resultados obtenidos por ambos métodos con los resultados obtenidos en la literatura. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-06-13T13:38:46Z |
| dc.date.available.none.fl_str_mv |
2024-06-13T13:38:46Z |
| dc.date.issued.none.fl_str_mv |
2024-05-31 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/1992/74293 |
| dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
https://hdl.handle.net/1992/74293 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
U. Ghia, “High-Re Solutions for Incompressible Flow Using the Navier-Stokes Equations and a Multigrid Method*,” Journal of Scientific Computing, 1982 J. Toro, Dinamica de fluidos con introducción a la teoría de turbulencia. Universidad De Los Andes, 2006, ISBN: 9586952053 W. Bickford, Advanced Mechanics of Materials. Longman Pub Group, 1998, ISBN: 9780673981950 L. Barba. “CFD Python: 12 steps to Navier-Stokes.” (2012), direccion: https://lorenabarba.com/blog/cfd -python-12-steps-to-navier-stokes/ M. Raissi, “Physics Informed Deep Learning (Part I): Data-driven Solutions of Nonlinear Partial Differential Equations,” ArXiv, 2017 M. Raissi, “Physics Informed Deep Learning (Part II): Data-driven Discovery of Nonlinear Partial Differential Equations,” ArXiv, 2017 S. Cuomo, “Scientific Machine Learning Through Physics–Informed Neural Networks: Where we are and What’s Next,” Journal of Scientific Computing, 2022. DOI: https://doi.org/10.1007/s10915-022-01939-z S. Wang, “AN EXPERT’S GUIDE TO TRAINING PHYSICS-INFORMED NEURAL NETWORKS,” ArXiv, 2023 F. Kohler. “Solving the Navier-Stokes equations in Python — CFD in Python — Lid-Driven Cavity.” (2022), direccion: https://www.youtube.com/watch?v=BQLvNLgMTQE |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| rights_invalid_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.format.extent.none.fl_str_mv |
8 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.none.fl_str_mv |
Ingeniería Electrónica |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería Eléctrica y Electrónica |
| publisher.none.fl_str_mv |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/f8764607-baed-4481-94b6-bde6e2780eb4/download https://repositorio.uniandes.edu.co/bitstreams/dd73b154-0e3d-4828-9df4-c0c21d8ce1cc/download https://repositorio.uniandes.edu.co/bitstreams/84fd3333-dd73-45a0-b7d4-a90667d1e76a/download https://repositorio.uniandes.edu.co/bitstreams/102ac49f-b1c8-47a9-a46b-730ad4553dfb/download https://repositorio.uniandes.edu.co/bitstreams/2f225533-c83e-405d-8cf9-61041211c8ae/download https://repositorio.uniandes.edu.co/bitstreams/29472734-33bb-44ec-8c16-88d657beaf8f/download https://repositorio.uniandes.edu.co/bitstreams/44727bfe-e780-4e6b-b415-dfed00d35599/download |
| bitstream.checksum.fl_str_mv |
a7c071e99478dff21b100602b61ba091 412d35e06632f43329b8ed81ac4ddb14 ae9e573a68e7f92501b6913cc846c39f 9d119eb024d2bb76388f4032ceb84620 2a7b2225fc050c3dfd0f0b3a2a9f309f 9a9c2d0190669ef3776e6b44afdff9cc c2b259fea8680917271b3aaeb6327e18 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1812133976245010432 |
| spelling |
Lozano Martínez, Fernando Enriquevirtual::18163-1Zapa Martínez, Juan PabloOsma Cruz, Johann Faccelovirtual::18219-12024-06-13T13:38:46Z2024-06-13T13:38:46Z2024-05-31https://hdl.handle.net/1992/74293instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/El presente documento presenta una evaluación del uso de redes neuronales en la simulación de fenómenos físicos, específicamente se toma el problema clásico de la mecánica de fluidos de flujo en una cavidad. Para tal fin, se implemento un modelo de aprendizaje profundo basado en perceptrones multicapa (MLP), con modificaciones. Lo anterior en el contexto de las redes neuronales informadas por física o PINNS por sus siglas en ingles. Adicionalmente, se implemento el método de diferencias finitas como un método de solución convencional bajo fines comparativos. Finalmente, se comparan los resultados obtenidos por ambos métodos con los resultados obtenidos en la literatura.Pregrado8 páginasapplication/pdfspaUniversidad de los AndesIngeniería ElectrónicaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y ElectrónicaEvaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidadTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPPINNSNavier-StokesDiferencias finitasAprendizaje profundoIngenieríaU. Ghia, “High-Re Solutions for Incompressible Flow Using the Navier-Stokes Equations and a Multigrid Method*,” Journal of Scientific Computing, 1982J. Toro, Dinamica de fluidos con introducción a la teoría de turbulencia. Universidad De Los Andes, 2006, ISBN: 9586952053W. Bickford, Advanced Mechanics of Materials. Longman Pub Group, 1998, ISBN: 9780673981950L. Barba. “CFD Python: 12 steps to Navier-Stokes.” (2012), direccion: https://lorenabarba.com/blog/cfd -python-12-steps-to-navier-stokes/M. Raissi, “Physics Informed Deep Learning (Part I): Data-driven Solutions of Nonlinear Partial Differential Equations,” ArXiv, 2017M. Raissi, “Physics Informed Deep Learning (Part II): Data-driven Discovery of Nonlinear Partial Differential Equations,” ArXiv, 2017S. Cuomo, “Scientific Machine Learning Through Physics–Informed Neural Networks: Where we are and What’s Next,” Journal of Scientific Computing, 2022. DOI: https://doi.org/10.1007/s10915-022-01939-zS. Wang, “AN EXPERT’S GUIDE TO TRAINING PHYSICS-INFORMED NEURAL NETWORKS,” ArXiv, 2023F. Kohler. “Solving the Navier-Stokes equations in Python — CFD in Python — Lid-Driven Cavity.” (2022), direccion: https://www.youtube.com/watch?v=BQLvNLgMTQEinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2201914921Publicationhttps://scholar.google.es/citations?user=6QQ-dqMAAAAJvirtual::18219-10000-0003-2928-3406virtual::18219-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000025550virtual::18163-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000221112virtual::18219-1edd81d8c-e0b9-4c1f-bf04-eed0e12e755dvirtual::18163-1edd81d8c-e0b9-4c1f-bf04-eed0e12e755dvirtual::18163-1a9f6ef37-65d7-4484-be71-8f3b4067a8favirtual::18219-1a9f6ef37-65d7-4484-be71-8f3b4067a8favirtual::18219-1ORIGINALautorizacion tesis.pdfautorizacion tesis.pdfHIDEapplication/pdf245003https://repositorio.uniandes.edu.co/bitstreams/f8764607-baed-4481-94b6-bde6e2780eb4/downloada7c071e99478dff21b100602b61ba091MD51Evaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidad.pdfEvaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidad.pdfapplication/pdf3430034https://repositorio.uniandes.edu.co/bitstreams/dd73b154-0e3d-4828-9df4-c0c21d8ce1cc/download412d35e06632f43329b8ed81ac4ddb14MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/84fd3333-dd73-45a0-b7d4-a90667d1e76a/downloadae9e573a68e7f92501b6913cc846c39fMD53TEXTautorizacion tesis.pdf.txtautorizacion tesis.pdf.txtExtracted texttext/plain2057https://repositorio.uniandes.edu.co/bitstreams/102ac49f-b1c8-47a9-a46b-730ad4553dfb/download9d119eb024d2bb76388f4032ceb84620MD54Evaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidad.pdf.txtEvaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidad.pdf.txtExtracted texttext/plain27495https://repositorio.uniandes.edu.co/bitstreams/2f225533-c83e-405d-8cf9-61041211c8ae/download2a7b2225fc050c3dfd0f0b3a2a9f309fMD56THUMBNAILautorizacion tesis.pdf.jpgautorizacion tesis.pdf.jpgGenerated Thumbnailimage/jpeg10861https://repositorio.uniandes.edu.co/bitstreams/29472734-33bb-44ec-8c16-88d657beaf8f/download9a9c2d0190669ef3776e6b44afdff9ccMD55Evaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidad.pdf.jpgEvaluación de desempeño de modelos de aprendizaje profundo en la solución del problema de flujo en una cavidad.pdf.jpgGenerated Thumbnailimage/jpeg16835https://repositorio.uniandes.edu.co/bitstreams/44727bfe-e780-4e6b-b415-dfed00d35599/downloadc2b259fea8680917271b3aaeb6327e18MD571992/74293oai:repositorio.uniandes.edu.co:1992/742932024-06-17 09:57:13.124open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |