Dissertação Legal Problema Inverso

ESTIMATIVA DE PARÂMETROS DE MATERIAIS HETEROGÊNEOS COM O
MÉTODO DE MONTE CARLO COM CADEIA DE MARKOV
Diana Carolina Santos Cuevas
Dissertação de Mestrado apresentada ao

Programa de Pós-graduação em Engenharia
Mecânica, COPPE, da Universidade Federal do
Rio de Janeiro, como parte dos requisitos
necessários à obtenção do título de Mestre em
Engenharia Mecânica.
Orientador: Helcio Rangel Barreto Orlande
Rio de Janeiro
Junho de 2015
Cuevas, Diana Carolina Santos
Estimativa de Parâmetros de Materiais Heterogêneos
com o Método de Monte Carlo com Cadeia de Markov /
Diana Carolina Santos Cuevas. – Rio de Janeiro:
UFRJ/COPPE, 2015.
XVI, 92 p.: il.; 29,7 cm.
Dissertação (mestrado) – UFRJ/ COPPE/ Programa de
Engenharia Mecânica, 2015.
Referências Bibliográficas: p. 88-92.
1. Problemas Inversos. 2. Meios Heterogêneos.
3. Variação Total. 4. Metropolis-Hastings. I. Orlande,
Helcio Rangel Barreto. II. Universidade Federal do Rio de
Janeiro, COPPE, Programa de Engenharia Mecânica.
III. Título.
iii
A vida é uma peça de teatro que não permite ensaios.
Por isso, cante, chore, dance, ria e viva intensamente,
antes que a cortina se feche e a peça termine sem aplausos
Charles Chaplin
iv
AGRADECIMENTOS
Durante este tempo só tenho a agradecer a todos que passaram pelo meu
caminho e que com certeza deixaram um pouco de si. Os momentos de alegria serviram
para me permitir acreditar na beleza da vida, e os de sofrimento, serviram para um
crescimento pessoal único. É muito difícil transformar sentimentos em palavras, mas
serei eternamente grata a vocês, pessoas imprescindíveis para a realização e conclusão
deste trabalho.
Primeiramente а Deus qυе permitiu qυе tudo isso acontecesse, ао longo dе

minha vida, por sempre me conceder sabedoria nas escolhas dos melhores caminhos,
coragem para acreditar, força para não desistir e proteção para me amparar.
A meus pais, Mario Santos e Berenice Cuevas, meu infinito agradecimento.

Sempre acreditaram em minha capacidade e me acharam A MELHOR de todas, mesmo
não sendo. Isso só me fortaleceu e me fez tentar, não ser A MELHOR, mas a fazer o
melhor de mim. Obrigada pelo amor incondicional.
A meus irmãos, Giselle, Daniel e Janeth, a meus sobrinho e demais familiares

meu agradecimento especial, pois, a seu modo, sempre se orgulharam de mim e
confiaram em meu trabalho. Obrigada pela confiança.
Ao meu orientador Helcio Rangel Barreto Orlande, por acreditar que eu era
capaz e pela orientação. Mesmo sem me conhecer direito, você abriu as portas, como
um pai que abre os braços para receber um filho. Nesse mundo, repleto de pessoas ruins,
você me faz acreditar que os bons são a maioria. Só tenho a agradecer aos seus
ensinamentos, orientações, palavras de incentivo, puxões de orelha, paciência e
dedicação. Você é uma pessoa ímpar, onde busco inspirações para me tornar melhor em
tudo faço e irei fazer daqui para frente. Tenho orgulho em dizer que um dia fui sua
orientada.
v
A meus amigos no laboratorio LTTC, a ajuda de vocês foi essencial para esse
trabalho. Muito obrigada pelas conversas, risadas, ajudas e companheirismo. Leonardo
Bermeo, Bernard Lamie, Inoussa Tougri, Bruna Loiola, Diego Estumano, Jose Mir
Justino da Costa, Luiz Abreu, Milena Vilar, Mabel Ramos, Andres Villamil, Bruno
Jaccoud e Masoud
A meus amigos colombianos, obrigada pela ajuda e paciência amizade qυе

fizeram parte dа minha formação е qυе vão continuar presentes еm minha vida cоm
certeza. Andres Bedoya, Jhon Mellizo Sebastian Monsalve, Irvin Mosquera, Mauricio
Sanchez, Eduardo Acevedo, Cindy Realpe, Daniela Sanabria, David Paternina, Victor
Alfonso, Oscar Sierra e Cristian Potosi.
Programa de Engenharia Mecânica da COPPE, Universidade Federal do Rio de

Janeiro (UFRJ), Laboratório de Transmissão e Tecnologia do Calor (LTTC),
Coordenação de Aperfeiçoamento a Pessoal de Nível Superior (CAPES), por seu apoio
financeiro e técnico para o desenvolvimento deste projeto. Vera Noronha, Luciana
Machado e Evanise Barbosa, secretarias do departamento de mecânica e do LTTC, por
sua grande ajuda e amizade.
vi
Resumo da Dissertação apresentada à COPPE/UFRJ como parte dos requisitos
necessários para a obtenção do grau de Mestre em Ciências (M.Sc.)
ESTIMATIVA DE PARÂMETROS DE MATERIAIS HETEROGÊNEOS COM O

MÉTODO DE MONTE CARLO COM CADEIA DE MARKOV
Junho /2015
Programa: Engenharia Mecânica
O presente trabalho tem como objetivo estimar propiedades termofisicas

espacialmente variaveis em meios heterogêneos en um problema de condução de calor
unidimensional transiente. A solução do problema direto foi efetuada mediante o
método de volumes finitos. O problema inverso foi resolvido através de Inferência
Bayesiana, empregando o Método de Monte Carlo via Cadeias de Markov (MCMC),
implementado através do Algoritmo Metropolis-Hastings. Foram examinadas prioris
Gaussianas com diferentes desvios padrão e uma priori Variação Total (TV). Os
resultados utilizando medidas simuladas e reais da tese de NAVEIRA-COTTA, (2009),
mostram que os valores de cada parâmetro do material composto foram muito bem
recuperados com as duas prioris estudadas.
vii
Abstract of Dissertation presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Master of Science (M.Sc.)
PARAMETER ESTIMATION IN HETEROGENEOUS MATERIALS WITH THE

MARKOV CHAIN MONTE CARLO METHOD
June /2015
Advisor: Helcio Rangel Barreto Orlande
Department: Mechanical Engineering
This study aims at estimating thermophysical properties spatially variable in

heterogeneous media in a one-dimensional transient heat conduction problem. The
direct problem solution was obtained by the finite volume method. The inverse problem
was solved by Bayesian inference, using the Markov Chain Monte Carlo method
(MCMC), implemented through the Metropolis-Hastings algorithm. Gaussian priors
with different standard deviations and a Total Variation (TV) prior were examined. The
results using simulated and real measures from the thesis of NAVEIRA-COTTA (2009)
show that the values of each parameter of the composite material were well recovered
with both priors studied.
viii
SUMÁRIO
CAPÍTULO 1 - INTRODUÇÃO ................................................................................... 1

1.1 MOTIVAÇÃO ............................................................................................... 1
1.2 ORGANIZAÇÃO DO TRABALHO ............................................................ 2
CAPÍTULO 2 - REVISÃO BIBLIOGRÁFICA ............................................................. 3

2.1 MEIOS HETEROGÊNEOS .......................................................................... 3
2.2 PROBLEMAS INVERSOS ........................................................................... 5
2.3 INFERÊNCIA BAYESIANA EM PROBLEMAS INVERSOS ................... 6
2.4 CONTRIBUIÇÕES DO TRABALHO .......................................................... 9
CAPÍTULO 3 - PROBLEMA FÍSICO E FORMULAÇÃO MATEMÁTICA ............ 10

3.1 PROBLEMA FÍSICO .................................................................................. 10
3.2 FORMULAÇÃO MATEMÁTICA ............................................................. 11
CAPÍTULO 4 - PROBLEMA DIRETO ...................................................................... 17

4.1 MÉTODO DOS VOLUMES FINITOS ...................................................... 17
CAPÍTULO 5 - PROBLEMA INVERSO .................................................................... 22
CAPÍTULO 6 - RESULTADOS E DISCUSSÕES ..................................................... 27

6.1 VERIFICAÇÃO DA SOLUÇÃO DO PROBLEMA DIRETO .................. 27
6.2 SOLUÇÃO DO PROBLEMA INVERSO .................................................. 31
6.3 SOLUÇÃO DO PROBLEMA INVERSO COM PRIORI GAUSSIANA E
MEDIDAS SIMULADAS .................................................................................... 31
6.4 SOLUÇÃO DO PROBLEMA INVERSO COM PRIORI VARIAÇÃO
TOTAL (TV) E MEDIDAS SIMULADAS .......................................................... 65
6.5 SOLUÇÃO DO PROBLEMA INVERSO COM PRIORI VARIAÇÃO
TOTAL (TV) E MEDIDAS REAIS ..................................................................... 80
CAPÍTULO 7 - CONCLUSÕES E SUGESTÕES ...................................................... 87
CAPÍTULO 8 - REFERÊNCIAS BIBLIOGRÁFICAS ............................................... 88
ix
LISTA DE FIGURAS
Figura 3.1 Modelo físico estudado. Naveira-Cotta (2009) ............................................. 10

Figura 3.2 Análise da dependência temporal do fluxo de calor NAVEIRA-COTTA
(2009) ............................................................................................................................. 13
Figura 3.3 Comportamento espacial da capacidade térmica volumétrica ...................... 15
Figura 3.4 Comportamento espacial da condutividade térmica ..................................... 15
Figura 3.5 Comportamento espacial do coeficiente de transferência de calor efetivo ... 16
Figura 3.6 Comportamento espacial do fluxo de calor ................................................... 16
Figura 4.1 Discretização do domínio .............................................................................. 17
Figura 4.2 Volume de controle na fronteira esquerda .................................................... 20
Figura 4.3 Volume de controle na fronteira direita ........................................................ 21
Figura 6.1 Análise de convergência malha espacial ....................................................... 28
Figura 6.2 Verificação dos dados obtidos da distribuição de temperatura ao longo do
tempo para diferentes posições da placa......................................................................... 29
Figura 6.3 Verificação dos dados obtidos na distribuição de temperatura ao longo na
placa para diferentes tempos (a) t = 300s; (b) t = 600s; (c) t = 1200s; (d) t = 3600s .... 30
Figura 6.4 Estados da cadeia de Markov caso I, a) a capacidade térmica volumétrica,
b) a condutividade térmica, c) o coeficiente de calor térmico efetivo e d) o fluxo de
calor com σ = 1%: e posição x = 0. ................................................................................ 33
Figura 6.5 Capacidade térmica volumétrica caso I. Distribuição marginal a posteriori
com σ = 1%: e posição x = 0. ......................................................................................... 34
Figura 6.6 Condutividade térmica caso I. Distribuição marginal a posteriori com σ = 1%
e posição x = 0 ................................................................................................................ 34
Figura 6.7 Coeficiente de transferência de calor efetivo caso I. Distribuição marginal a
posteriori com σ = 1% e posição x = 0 ........................................................................... 35
Figura 6.8 Fluxo de calor caso I. Distribuição marginal a posteriori com σ = 1% e
posição x = 0 ................................................................................................................... 35
Figura 6.9 Estimativa da capacidade térmica volumétrica caso I com σ = 1%. ............. 37
Figura 6.10 Estimativa da condutividade térmica caso I com σ = 1%. .......................... 37
Figura 6.11 Estimativa do coeficiente de transferência de calor efetivo caso I com
σ = 1%. ........................................................................................................................... 38
Figura 6.12 Estimativa do fluxo de calor caso I com σ = 1%. ....................................... 38
x
com σ = 5% e posição x =0. .......................................................................................... 41
Figura 6.15 Condutividade térmica caso I. Distribuição marginal a posteriori com σ=5%
e posição x = 0 ............................................................................................................... 41
Figura 6.16 Coeficiente de transferência de calor efetivo caso I .Distribuição marginal a
posteriori com σ = 5% e posição x = 0. .......................................................................... 42
posição x = 0. .................................................................................................................. 42
Figura 6.18 Estimativa da capacidade térmica volumétrica caso I com σ = 5%. ........... 44
Figura 6.19 Estimativa da condutividade térmica caso I com σ = 5%. .......................... 44
σ = 5%. ........................................................................................................................... 45
Figura 6.21 Estimativa do fluxo de calor caso I com σ = 5%. ....................................... 45
Figura 6.22 Estados da cadeia de Markov para a) a capacidade térmica volumétrica, b)
a condutividade térmica, c) o coeficiente de calor térmico efetivo e d) o fluxo de calor
com σ = 10%: e posição x = 0. ....................................................................................... 47
Figura 6.23 Estados da cadeia de Markov caso II a) a capacidade térmica volumétrica,
Figura 6.24 Capacidade térmica volumétrica caso II. Distribuição marginal a posteriori
com σ = 1% e posição x = 0. .......................................................................................... 49
Figura 6.25 Condutividade térmica caso II. Distribuição marginal a posteriori com ... 50
Figura 6.26 Coeficiente de transferência de calor efetivo caso II . Distribuição marginal
a posteriori com σ = 1% e posição x = 0. ...................................................................... 50
Figura 6.27 Fluxo de calor caso II. Distribuição marginal a posteriori com σ = 1% e
posição x = 0. .................................................................................................................. 51
Figura 6.28 Estimativa da capacidade térmica volumétrica caso II com σ = 1%........... 52
Figura 6.29 Estimativa da condutividade térmica caso II com σ = 1%. ......................... 53
Figura 6.30 Estimativa do coeficiente de transferência de calor efetivo caso II com
σ = 1%. ........................................................................................................................... 53
xi
Figura 6.31 Estimativa do fluxo de calor caso II com σ = 1%. ...................................... 54
Figura 6.32 Estados da cadeia de Markov caso II, a) a capacidade térmica volumétrica,
calor com σ = 5%: e posição x = 0 ................................................................................. 55
com σ = 5% e posição x = 0. .......................................................................................... 56
Figura 6.34 Condutividade térmica caso II. Distribuição marginal a posteriori com .... 56
Figura 6.35 Coeficiente de transferência de calor efetivo caso II. Distribuição marginal a
posteriori com σ = 5% e posição x = 0. .......................................................................... 57
posição x = 0. .................................................................................................................. 57
Figura 6.37 Estimativa da capacidade térmica volumétrica, caso II com σ = 5%.......... 59
Figura 6.38 Estimativa da condutividade térmica caso II com σ = 5%. ......................... 59
σ = 5%. ........................................................................................................................... 60
Figura 6.40 Estimativa do fluxo de calor caso II com σ = 5%. ...................................... 60
calor com σ = 10%: e posição x = 0 ............................................................................... 62
Figura 6.42 Estados da cadeia de Markov caso I com priori TV, a) a capacidade
térmica volumétrica, b) a condutividade térmica, c) o coeficiente de calor térmico
efetivo e d) o fluxo de calor com α = 2*10-5 .................................................................. 66
na posição x = 0 com priori TV. ..................................................................................... 67
Figura 6.44 Condutividade térmica caso I . Distribuição marginal a posteriori na posição
x = 0 com priori TV. ...................................................................................................... 68
Figura 6.45 Coeficiente de transferência de calor efetivo caso I. Distribuição marginal
na posição x =0 com priori TV. ...................................................................................... 68
Figura 6.46 Fluxo de calor caso I. Distribuição marginal a posteriori na posição x=0
com priori TV................................................................................................................. 69
Figura 6.47 Estimativa da capacidade térmica volumétrica caso I priori TV com
t = 3600s. ........................................................................................................................ 71
Figura 6.48 Estimativa da condutividade térmica caso I priori TV com t = 3600s. ....... 71
xii
Figura 6.49 Estimativa do coeficiente de transferência de calor efetivo caso I priori TV
com t = 3600s. ................................................................................................................ 72
Figura 6.50 Estimativa do fluxo de calor caso I priori TV com t = 3600s. .................... 72
efetivo e d) o fluxo de calor com α = 2,8*10-5 ............................................................... 74
na posição x =0 com priori TV. ...................................................................................... 75
Figura 6.53 Condutividade térmica caso II. Distribuição marginal a posteriori na
posição x = 0 com priori TV. ......................................................................................... 75
Figura 6.54 Coeficiente de transferência de calor efetivo caso II. Distribuição marginal
na posição x = 0 com priori TV. .................................................................................... 76
Figura 6.55 Fluxo de calor caso II . Distribuição marginal a posteriori na posição x = 0
com priori TV................................................................................................................. 76
Figura 6.56 Estimativa da capacidade térmica volumétrica caso II priori TV com
t = 3600s. ........................................................................................................................ 78
Figura 6.57 Estimativa da condutividade térmica caso II priori TV com t = 3600s. ..... 79
Figura 6.58 Estimativa do coeficiente de transferência de calor efetivo caso II priori TV
com t = 3600s. ................................................................................................................ 79
Figura 6.59 Estimativa do fluxo de calor caso II priori TV com t = 3600s. .................. 80
Figura 6.60 Modelo físico configuração física placa Baquelite. .................................... 81
Figura 6.61 Comparação entre as temperaturas experimental NAVEIRA-
COTTA (2009) e estimada. ............................................................................................ 82
Figura 6.62 Estimativa da capacidade térmica volumétrica. .......................................... 84
Figura 6.63 Estimativa da condutividade térmica. ......................................................... 85
Figura 6.64 Estimativa do coeficiente de transferência de calor efetivo. ....................... 85
Figura 6.65 Estimativa do fluxo de calor. ...................................................................... 86
xiii
LISTA DE TABELAS
Tabela 3.1 Propriedades Termofísicas............................................................................ 14

Tabela 6.1 Valores usados na geração de dados simulados ........................................... 27
Tabela 6.2 Análise de convergência malha espacial ...................................................... 28
Tabela 6.3 Dados dos casos I e II a serem estudados ..................................................... 32
Tabela 6.4 Distribuições de probabilidade a priori dos parâmetros para a solução do
caso I ............................................................................................................................... 32
Tabela 6.5 Dados da simulação MCMC para caso I com σ = 1% .................................. 36
Tabela 6.6 Dados das estimativas de saída caso I σ = 1%.............................................. 36
caso 1 com σ = 5% ......................................................................................................... 39
Tabela 6.8 Dados da simulação MCMC para caso I com σ = 5% .................................. 43
Tabela 6.9 Dados das estimativas de saída caso I σ = 5%.............................................. 43
caso 1 com σ = 10% ....................................................................................................... 46
caso II ............................................................................................................................. 48
Tabela 6.12 Dados da simulação MCMC para o caso II com σ = 1% ........................... 51
Tabela 6.13 Dados das estimativas de saída caso II σ = 1% .......................................... 52
caso II com σ = 5% ......................................................................................................... 54
Tabela 6.15 Dados da simulação MCMC para caso II σ = 5% ...................................... 58
Tabela 6.16 Dados das estimativas de saída caso II σ = 5% .......................................... 58
caso II com σ = 10% ....................................................................................................... 61
Tabela 6.18. Comparação entre os casos I e II para cada parâmetro com RMS ............ 63
Tabela 6.19 Comparação entre os casos I e II para cada parâmetro com taxa de aceitação
e tempo computacional ................................................................................................... 63
Tabela 6.20 Dados dos casos I e II a serem estudados com priori TV ........................... 65
Tabela 6.21 Dados da simulação MCMC para caso I com priori TV ............................ 69
Tabela 6.22 Dados das estimativas de saída ................................................................... 70
Tabela 6.23 Dados caso II a serem estudados com priori TV ........................................ 73
xiv
Tabela 6.24 Dados da simulação MCMC para caso II com priori TV ........................... 77
Tabela 6.25 Dados das estimativas de saída caso II priori TV ....................................... 77
Tabela 6.26- Valores iniciais mínimos e máximos para cada parâmetro nas estimativas
........................................................................................................................................ 81
Tabela 6.27 Dados da simulação MCMC com priori TV e medidas reais ..................... 83
Tabela 6.28 Dados de saída das estimativas - Caso Experimental ................................. 83
xv
LISTA DE SÍMBOLOS
Simbolos Latinos
Lx Comprimento Total
Lz Espessura na placa
qw(x,t) Fluxo de calor
qinf Fluxo de calor oriundo da potência dissipada na resistência
xCONT Posição da frente de transição das propriedades termofisicas
hc Coeficiente de transferência de calor por convecção natural
hef Coeficiente de transferência de calor efetivo
hr Coeficiente de transferência de calor por radiação
w(x) Capacidade térmica volumétrica
W Matriz de covariância das medidas
k(x) Condutividade térmica
T(x,t) Temperatura
T∞ Temperatura ambiente
P Vetor de parâmetros
Y Vetor de medida
V Matriz de covariância para os parâmetros
N Número de parâmetros
I Número de medidas
tfinal Tempo final
Δt Intervalo de tempo
Abreviaturas
TV Variação Total
MCMC Método de Monte Carlo via Cadeia de Markov
RMS Erro Quadrático Médio
Simbolos Gregos
σ Desvio-padrão
ε Erro com distribuição normal e média zero
α Parâmetro de regularização
ω Passo de procura
µ Media dos parâmetros
β Argumento que define a variação da propriedade termofisica na
forma funcional do FGM
xvi
CAPÍTULO 1 - INTRODUÇÃO
1.1 MOTIVAÇÃO
Nos últimos anos pesquisadores têm dedicado esforços a estudar características

macroscópicas de materiais, ou seja, determinar suas propriedades físicas. Este estudo é
muito importante, pois diversos setores industriais necessitam de materiais com
propriedades físicas e químicas bem definidas com pequenas incertezas. Assim, o
desenvolvimento de novos materiais de alto desempenho é um fator muito importante
no progresso industrial. Um grande número de produtos de uso cotidiano e alto impacto
social utiliza os mais recentes avanços da engenharia e da ciência dos materiais. Desta
forma, encontrar as propriedades dos materiais tornou-se uma tarefa prioritária e
estratégica.
Estudar a relação entre fenômenos microestruturais e o comportamento
macroscópico não só permite predizer o comportamento de materiais que já existem,
mas também fornece uma ferramenta para o projeto de microestruturas de materiais cujo
comportamento macroscópico resultante se ajuste com as características desejadas. Os
problemas de condução de calor em meios heterogêneos envolvem variações espaciais
das propriedades termofísicas em diferentes formas de acordo com o tipo de
heterogeneidade envolvida: variações em larga escala FGM (Functionally Grades
Materials), variações abruptas em compósitos laminados e em variações randômicas
devido a flutuações locais de concentração em sistemas dispersos. É por esse motivo
que se busca cada vez mais o desenvolvimento de técnicas numéricas eficientes de
modelagem de materiais.
O objetivo deste trabalho é estimar propriedades termofísicas espacialmente
variáveis em meios heterogêneos em um problema de condução de calor unidimensional
transiente. Esta análise será realizada em duas etapas: mediante a solução de problema
direto, a solução do problema inverso de transferência de calor será obtida com o
método de Monte Carlo via Cadeias de Markov (MCMC) (KAIPIO e SOMERSALO,
2004), usando o algoritmo de Metropolis-Hasting com prioris Gaussiana e Variação
Total (TV).
1
1.2 ORGANIZAÇÃO DO TRABALHO
No capítulo 2 apresenta-se uma revisão bibliográfica da literatura na qual este

trabalho está baseado envolvendo os seguintes temas: transferência de calor em meios
heterogêneos, estatística Bayesiana, técnicas de solução de Problema Inverso,
especialmente aquelas que empregam o método MCMC o algoritmo de Metropolis-
Hastings.
No capítulo 3 é proposto um modelo físico e a formulação matemática para o
problema direto de condução de calor unidimensional, transiente, em meio heterogêneo,
o qual é estudado.
No capítulo 4 o problema direto é solucionado pelo método de volumes finitos.
No capítulo 5 é apresentado o método de solução do problema inverso utilizando
o método de Monte Carlo via Cadeia de Markov (MCMC).
No Capítulo 6 são apresentados os resultados obtidos para o problema direto e o
problema inverso.
No capítulo 7 apresentam-se as conclusões do trabalho e sugestões de possíveis
trabalhos futuros.
2
CAPÍTULO 2 - REVISÃO BIBLIOGRÁFICA
Este capítulo apresenta uma revisão bibliográfica dos trabalhos disponíveis na

literatura para os temas estudados nesta dissertação, que são: meios heterogêneos,
solução de problemas inversos de condução de calor, inferência Bayesiana e método de
Variação Total em transferência de calor.
2.1 MEIOS HETEROGÊNEOS
Um material heterogêneo é constituído por duas ou mais fases combinados em

uma unidade estrutural macroscópica: o objetivo de combinar dois tipos de materiais é
melhorar as propriedades que cada um pode ter de forma isolada (JONES, 1975).
MATT E CRUZ (2008) apresentam uma metodologia analítico-numérica

utilizando o método dos elementos finitos para determinar a condutividade térmica
efetiva de compósitos constituídos por duas fases sólidas, homogêneas, de geometrias
tridimensionais e com contato térmico imperfeito para os componentes do tensor, que
dependem do campo de temperaturas em uma célula representativa da microestrutura do
compósito.
NAVEIRA-COTTA (2009), NAVEIRA-COTTA et al. (2011), apresenta uma
análise teórica experimental para a solução de um problema inverso de transferência de
calor unidimensional em meios heterogêneos. Neste trabalho foi proposta uma expansão
para as propriedades termofísicas em termos de autofunções desejadas por meio de um
problema auxiliar da solução conhecida, reduzindo o problema de autovalor descrito por
equações diferenciais parciais a um sistema algébrico (COTTA, 1993, MIKHAILOV e
COTTA, 1994). A solução do problema direto foi obtida através da técnica da
transformada integral generalizada (GITT). A solução do problema inverso foi efetuada
no campo transformado com uma redução considerável do número de medidas de
temperatura a ser tratado. O número de parâmetros a ser estimado ficou dependente da
ordem de truncamento da expansão em autofunções das propriedades termofísicas, dos
coeficientes de troca de calor efetivo e do filtro utilizado para facilitar a convergência
dos problemas de autovalores associados.
3
DONDERO et al. (2011) apresentam uma metodologia numérica para o cálculo
da condutividade térmica efetiva de micromateriais heterogêneos. Foram usados valores
da condutividade térmica efetiva para predizer analiticamente os campos de temperatura
ao longo de dois materiais com variações de espaço das frações de áreas nulas. Os
resultados numéricos e analíticos foram de acordo com os campos de temperatura
medidos com uma câmera termográfica infravermelho.
KNUPP et al. (2012) propuseram uma metodologia teórica e experimental para a
identificação de propriedades termofísicas espacialmente variáveis. Para a simulação de
transferência de calor em multidimensionais materiais heterogêneos foram estudadas
placas com amostras de nanopartículas de óxido de alumínio dispersas numa matriz
polimérica. Medições de temperatura não intrusiva foram obtida via termografia
infravermelha, enquanto o problema direto foi resolvido pela técnica da transformada
integral com uma formulação de parâmetros concentrados melhorada. A análise inversa
foi realizada via inferência Bayesiana, fazendo uso do método de Monte Carlo via
Cadeia de Markov.
CAMPOS (2013) empregou equações diferenciais parciais que governam os
fenômenos de difusão-convecção para resolver um problema de condução de calor em
sólidos heterogêneos, onde a qualidade da solução dependia essencialmente da
representação adequada da variação espacial dos parâmetros do problema,
(condutividade térmica e capacidade térmica). De particular interesse na análise, o autor
apresentou um tratamento matemático para o caso estocástico em que essas duas
propriedades são consideradas como processos aleatórios, ou seja, são incorporadas
incertezas em sua variação espacial e investigadas técnicas para o tratamento analítico e
quantificação do impacto de tais incertezas na solução final. O problema direto foi
resolvido mediante o método analítico pela Técnica de Transformação Integral Clássica
(CITT) (MIKHAILOV e OZISIK, 1984).
PESTANA (2014) apresenta um estudo sobre condutividade térmica efetiva de
um meio poroso em regime transiente de transferência de calor. O Método dos
Elementos de Contorno (MEC) foi utilizado para resolver as equações diferenciais que
regem os problemas potenciais em regime transiente. A análise foi realizada
empregando Elementos de Volumes Representativos (EVR’s), um método que aplica a
Teoria dos Campos Médios para encontrar as propriedades efetivas (macroscópicas)
deste material micro-poroso.
4
2.2 PROBLEMAS INVERSOS
Problemas inversos em transferência de calor podem estar associados à

determinação das propriedades termofísicas ou fluxo de calor dadas as medidas
experimentais de temperatura. O principal objetivo do problema direto é o de
determinar o campo de temperatura T(x,y,z,t), quando todas as características causais
(condição de contorno, condição inicial, propriedades termofísicas do meio e termo de
geração de energia, se existir) são conhecidas. Por outro lado, o objetivo do problema
inverso é o de estimar uma ou mais dessas características causais, a partir do
conhecimento da temperatura medida (o efeito) em uma determinada região do domínio.
Estes tipos de problema de medição indireta são denominados de problemas inversos
(BECK, 1999, KAIPIO; SOMERSALO, 2004)
O estudo de problemas inversos faz parte de um novo paradigma de pesquisa,
onde as simulações computacionais e os experimentos não são realizados isoladamente,
mas sim de forma iterativa, a fim de que o máximo de informações sobre o problema
físico em questão seja obtido com as duas análises (ORLANDE et al., 2011; BECK,
1999).
Por outro lado, os problemas inversos são mal-postos, o qual se caracteriza por
pequenas variações nos dados de entrada provocarem grandes variações nos dados de
saída. Segundo HADAMARD, (1953), a solução de um problema bem posto deve
satisfazer condições:
 Existencia
 Unicidade
 Estabilidade em relação aos dados de entrada
Esta característica do problema mal-posto faz com que, em alguns casos, exista a
necessidade de usar técnicas de regularização como apresentado em (ALIFANOV,
1974, 1994; BECK et al. 1985; BECK, 1962; THIKONOV; ARSEIN, 1977,
THIKONOV, 1975).
Nos últimos vinte anos a técnica de problemas inversos tornou-se uma boa
ferramenta para análises e projetos de engenharia (ORLANDE; FUDYM; et al., 2011).
Exemplos de aplicação podem ser encontrados nas engenharias aeroespacial, biomédica,
química, civil, computação, elétrica e mecânica (MCCORMICK, 2001).
Diversos métodos para solução de problema inverso já foram desenvolvidos,
como os métodos de Levenberg-Marquardt, Gradiente Conjugado e de Monte Carlo via
5
Cadeia de Markov, (ORLANDE; COLAÇO; et al., 2011,ORLANDE; FUDYM; et al.,
2011). Além destes métodos, outras metodologias que estão sendo bastante estudadas
em problemas inversos são baseadas em inferência Bayesiana, como os filtros de
Kalman e filtros de partículas SIS-Sequential Importance Sampling, SIR-Sequential
Importance Resampling e ASIR-Auxiliary Sequential Importance Resampling,
comprovando a teoria que envolve cada método e sua aplicação em problemas de
transferência de calor (RISTIC et al., 2004).
2.3 INFERÊNCIA BAYESIANA EM PROBLEMAS INVERSOS
Nesta seção são apresentados alguns trabalhos referentes à aplicação da

inferência Bayesiana, através do método de Monte Carlo via Cadeia de Markov
(MCMC), na solução de problema inverso de transferência de calor.
A inferência Bayesiana é uma técnica estatística baseada no teorema de Bayes,
onde se utiliza toda a informação disponível a fim reduzir incertezas em um problema.
Dessa forma, quando a informação nova é obtida ela é combinada com toda a
informação anterior, dando base para procedimentos estatísticos. Por isso, na inferência
Bayesiana vai-se incorporando mais e mais informação, a fim de encontrar a variável
desconhecida, ou seja, a distribuição a posteriori (WINKLER, 2003; TAN et al., 2006;
KAIPIO e SOMERSALO, 2005).
KAIPIO e SOMERSALO (2004) apresentam em seu livro-texto conceitos
básicos e clássicos de problemas inversos como a estimativa por Máxima
Verossimilhança e o método do Gradiente Conjugado. Este material é também muito
importante para a conexão entre a Inferência Bayesiana e a solução de problemas
inversos em aplicações na engenharia.
WANG e ZABARAS (2005) estudaram a estimativa de parâmetros: fluxo de
calor e do termo fonte, variáveis no tempo e no espaço, em termos de uma função de
base, usando um método de inferência estatística Bayesiana. Os casos estudados
envolviam a determinação da condutividade térmica em um problema unidimensional
em regime transiente.
ORLANDE et al. (2008) empregaram o método de Monte-Carlo, baseado no
algoritmo de Metropolis-Hastings, para a estimativa simulada das componentes da
condutividade térmica de sólidos ortotrópicos. A solução do problema direto foi obtida
6
pela técnica da transformada integral clássica. As variáveis experimentais usadas na
simulação foram aquelas do trabalho de MEIJIAS et al. (2003). Foram assumidas
distribuições a priori uniformes para todas as três componentes de condutividade
térmica, de maneira a cobrir uma grande variedade de materiais da engenharia. Bons
resultados foram obtidos e a solução do problema inverso se mostrou estável para os
níveis de erros examinados.
MOTA et al. (2009) utilizaram inferência Bayesiana por meio da técnica de
amostragem do método de Monte Carlo com Cadeia de Markov através do algoritmo de
Metropolis-Hastings para a estimativa simultânea do fluxo de calor transiente e das
propriedades termofísicas em função da temperatura. Baseados em seus próprios
resultados experimentais e das informações fornecidas pelo fabricante do material de
estudo foi assumida uma forma exponencial para as propriedades termofísicas. As
distribuições a priori dos parâmetros das propriedades termofísicas foram assumidas
gaussianas, com médias e covariâncias das estimativas obtidas por mínimos quadrados.
KNUPP (2010) propõe uma análise teórico-experimental de condução de calor
em meios heterogêneos, primeiramente validando a utilização do código UNIT na
solução desta classe de problemas. O problema direto foi resolvido mediante o método
da transformada integral generalizada (GITT). O problema inverso para as estimativa de
funções no campo transformado foi solucionado mediante a técnica de inferência
Bayesiana, oferecendo também a possibilidade de expandir em autofunções as funções
que se deseja estimar, de modo que a estimativa foi efetuada em relação aos coeficientes
desta expansão. O procedimento de solução inversa se baseou no método de Monte
Carlo via Cadeia de Markov (MCMC), através do algoritmo de Metropolis-Hastings
(KAIPIO; SOMERSALO, 2004).
LAMIEN (2011) empregou a técnica da sonda linear para medir a condutividade
térmica dos nanofluidos. A solução do problema direto foi obtida pelo método dos
volumes finitos. Na solução do problema inverso de estimativa de parâmetros foram
utilizadas medidas simuladas de temperatura na técnica de inferência Bayesiana via a
construção de Cadeias de Markov através do método de Monte Carlo usando o
algoritmo de Metropolis-Hastings. Foram examinados os casos de uma sonda com
capacidade térmica volumétrica alta e de uma sonda com capacidade térmica
volumétrica baixa.
7
ABREU (2011) apresentou uma análise de falhas entre as camadas de um
material compósito laminado utilizando medidas simuladas de temperatura. Na solução
do problema direto tridimensional em regime transiente foi utilizado o método de
transformada integral generalizada (GITT) (COTTA, 1993) e o método de diferenças
finitas. A solução do problema inverso foi encontrada através do método de Monte
Carlo via cadeia de Markov com informações a priori não informativas. Os resultados
permitiram boas estimativas da condutância térmica de contato.
DA SILVA (2012) estimou o fluxo de calor gerado na ferramenta de corte
durante o processo de brunimento de um cilindro de uma motocicleta de 125cc. O
problema físico foi modelado bidimensionalmente e a solução do problema direto foi
obtida pela técnica da CITT. O problema inverso foi resolvido por meio do método de
Monte Carlo com Cadeia de Markov e Algoritmo de Metropolis-Hastings. Além da
estimativa do fluxo de calor foi estimado o parâmetro escalar associado à regularização
de Tikhonov. Para o fluxo de calor foi adotada uma priori não informativa, já para o
número de Biot foi adotada priori Gaussiana e para o parâmetro de regularização a
distribuição de Rayleigh.
ABREU (2013) estudou um problema inverso de transferência de calor, cujo
objetivo foi estimar a condutância térmica de contato entre duas camadas de um
material composto com a finalidade de localizar falhas de adesão entre meios compostos
laminados. A solução do problema direto foi realizada mediante a técnica híbrida
mediante a tecnica de Transformada Integral Generalizada (GITT) (COTTA, 1993) e de
diferenças finitas (PLETCHER e ANDERSON, 1997), considerando um coeficiente de
troca térmica no contato dependente da posição na superfície. O problema inverso foi
efetuado mediante dois métodos; o primeiro de Monte Carlo via Cadeias de Markov
(MCMC) e outro com abordagem analítica do funcional de reciprocidade (RF). O autor
utilizou um modelo de Variação Total dos parâmetros como informação a priori pouco-
informativa. Foi aplicada a técnica da transformação integral generalizada nas medidas
de temperatura, que desta forma, foram comprimidas espacialmente. A função de
condutância térmica de contato com variação bidimensional na superfície de interface
entre as camadas do material composto foi muito bem recuperada em todos estes casos,
utilizando medidas simuladas de temperatura.
Em ABREU et al. (2014a) o mesmo problema foi tratado utilizando abordagem
Bayesiana com uma informação a priori do tipo variação total dos parâmetros (TV),
8
onde obteve-se resultados para casos mais complexos do que aqueles tratados em
ABREU et al. (2013) para a estimativa bidimensional da condutância térmica de contato
em meios compositos laminados. Utilizando medidas simuladas de temperatura,
examinou-se diferentes tamanhos e formas de falhas de interface obtendo excelentes
resultados mesmo em casos onde a região de falha era pequena.
2.4 CONTRIBUIÇÕES DO TRABALHO
Com o objetivo de obter estimativas mais acuradas de propriedades termofísicas

espacialmente variáveis, em meios heterogêneos em um problema de condução de calor
unidimensional transiente, foi utilizado o método de simulação Monte Carlo com cadeia
de Markov para a solução do problema inverso.
Como contribuição deste trabalho, utilizou-se um modelo de variação total (TV)
como informação a priori. O valor de cada parâmetro no material composto foi muito
bem recuperado com a abordagem proposta, utilizando medidas simuladas de
temperatura. Além disso, a abordagem proposta foi aplicada com sucesso para a
estimativa dos parâmetros do modelo, para o caso de meio homogêneo com os dados
experimentais obtidos por NAVEIRA-COTTA, (2009).
9
CAPÍTULO 3 - PROBLEMA FÍSICO E FORMULAÇÃO
MATEMÁTICA
Esta seção apresenta o problema unidimensional transiente de condução de calor

em meios heterogêneos que será estudado, o qual envolve variação espacial das
propriedades.
3.1 PROBLEMA FÍSICO

O problema físico analisado neste trabalho é o mesmo estudado em NAVEIRA-
COTTA (2009), na subsecção de estimativa simultânea da capacidade e condutividade
térmicas variáveis no campo transformado. O problema consiste em uma placa
horizontal de espessura Lz = 0,10 cm e comprimento total Lx = 12 cm com a face
inferior aquecida por uma resistência elétrica em uma fração da posição x 0 até a posição
xcont = Lx/3, o restante da placa inferior foi considerada adiabática. A superfície superior
da placa tem perdas de calor devido à convecção natural e à radiação as extremidades da
placa (posição x=x0 e x=Lx) são isoladas térmicamente. A geometria da placa é
apresentada esquematicamente na figura 3.1.
Figura 3.1 Modelo físico estudado. Naveira-Cotta (2009)
10
Modelou-se este problema físico como sendo um problema de condução de calor
transiente unidimensional usando parâmetros concentrados na direção transversal, como
formulado nas equações abaixo e apresentado esquematicamente na figura 3.1. Para as
análises inversas que serão apresentadas a seguir assumiu-se conhecido o fluxo de calor
oriundo da potência dissipada na resistência “qinf” e a variação espacial do fluxo de
calor q(x). Propõe-se fazer a estimativa simultânea da distribuição espacial da
capacidade e da condutividade térmica, da distribuição do coeficiente de transferência
de calor efetivo e a dependência temporal do fluxo de calor, respectivamente.
3.2 FORMULAÇÃO MATEMÁTICA
Nesta seção é apresentada a formulação matemática do problema físico

unidimensional transiente que descreve um processo de condução de calor na região
x∈[0,Lx] dada pela Equação 3.1.
A equação que governa a distribuição de temperatura na placa é dada por
(NAVEIRA-COTTA, 2009),
(3.1)
Com condições de contorno:
(3. 2)
(3. 3)
11
E condição inicial:
(3. 4)
Onde w e k são, respectivamente, a capacidade térmica volumétrica e a

condutividade térmica do meio, hef é o coeficiente de troca térmica efetivo, incluindo o
coeficiente linearizado relativo à dissipação por radiação, qw(x,t) é o fluxo de calor onde
sua expressão é dada pela equacõe 3.5, T∞ é a temperatura ambiente, Lx é o
comprimento, Lz é a espessura das placas..
(3. 5)
qinf é o fluxo de calor aplicado pela resistência elétrica e qx e a variacao espacial

do fluxo de calor.
Para escolher os valores dos parâmetros a,b,c NAVEIRA-COTTA, (2009)

realizou uma análise de termo de geração. Tem-se que a dependência temporal do fluxo
de calor, na forma paramétrica adotada, depende dos parâmetros a, b, c em que “c” é a
fração do valor do fluxo de calor em regime permanente. O parâmetro “c” assumiu o
valor igual a 1, isso porque se considerou que em regime permanente toda a potência
dissipada pelo elemento de aquecimento, resistência elétrica, é fornecida a placa. A
figura 3.2.a mostra, para um valor fixo do parâmetro “a”, a influência de três ordens de
grandeza diferentes para o parâmetro “b”. A figura 3.2.b apresenta uma análise similar
para um valor fixado de b, ou seja, o comportamento da função para três diferentes
valores de “a”.
Além da análise feita por NAVEIRA–COTTA (2009), foram utilizados os
mesmos valores de a,b,c no presente trabalho para encontrar os valores do fluxo de
calor em um tempo dado. Para este trabalho, como se pode observar na figura 3.2, os
dados escolhidos estão representados pela curva preta. Para fazer a análise em toda a
12
placa foi escolhido um tempo de 3600 s para todos os parâmetros (capacidade térmica,
condutividade térmica, coeficiente de transferência de calor efetivo e fluxo de calor).
Figura 3.2 Análise da dependência temporal do fluxo de calor NAVEIRA-COTTA

(2009)
NAVEIRA-COTTA (2009) considerou para o termo de dissipacao linear a correlação

do coeficiente de transferencia de calor por convecção natural para fluxo de calor
prescrito uniforme em placa plana horizontal, dada pelas equações (3.6.a-c) [Bejan
(1993)], enquanto para a parcela da perda de calor por radiação considerou-se a
aproximação de linearização dada pela equacao (3.6.d), de modo que o coeficiente de
transferência de calor efetivo apresentou a forma funcional em degrau da equação (3.7),
como ilustrado na figura 3.5
Numero de Rayleigh
Numero de Nusselt (3. 6. a,b)
Coef. Convecção Natural:
13
(3. 6. c,d)
(3.7)
Na análise de NAVEIRA-COTTA (2009), as propriedades termofísicas foram

consideradas na forma de uma matriz polimérica (HDPE), com nanopartículas de óxido
de alumínio (Al2O3) dispersas na matriz, no qual a variação espacial de partículas era
descrita pela forma funcional de uma exponencial, considerando que em x=0 tem-se
apenas a matriz polimérica, ou seja, 0% de partículas dispersas e em x=Lx tem-se 60%
de concentração de partículas dispersas no meio.
Na tabela 3.1, podem-se observar os valores da capacidade térmica e

condutividade térmica para os dois materiais em estudo, que serão necessários para
encontrar a capacidade e condutividade térmicas da mistura, empregando as
equações 3.8 e 3.9.
Tabela 3.1 Propriedades Termofísicas

Capacidade Térmica Condutividade Térmica
Propriedades Termofísicas
w[J/m3 oC] k[W/m oC]
Matriz Polimérica 2,2264x106 0,545
6
Partículas de óxido de Alumínio 3,0172x10 36
NAVEIRA-COTTA (2009)
Sendo assim, a teoria de misturas foi utilizada para calcular a capacidade térmica
e a correlação de Lewis- Nielsen (1970), para determinar a condutividade térmica,
ambas sob uma concentração final de 60%. Tem-se que em x=0 a capacidade térmica é
de wx=0=2,7008x106 J/m3°C e a condutividade térmica é de k x=0= 9,078 W/moC. Sob a
forma funcional de exponenciais dadas pelas equações 3.8 e 3.9, tem-se o
comportamento espacial das propriedades nas figuras 3.3 - 3.6. Os valores de β foram
14
extraídos do trabalho de NAVEIRA-COTTA (2009), que foram utilizados para
encontrar a capacidade e a condutividade térmica.
(3.8)
(3.9)
Figura 3.3 Comportamento espacial da capacidade térmica volumétrica
Figura 3.4 Comportamento espacial da condutividade térmica
15
Figura 3.5 Comportamento espacial do coeficiente de transferência de calor efetivo
Figura 3.6 Comportamento espacial do fluxo de calor
16
CAPÍTULO 4 - PROBLEMA DIRETO
Neste capítulo é apresentada a técnica de solução que permitiu a resolução das
formulações matemáticas dada pelas Equações 3.1 - 3.4. O problema direto tem como
objetivo encontrar o perfil da temperatura em todo o domínio em função do tempo,
utilizando as informações conhecidas: a geometria na placa, as condições iniciais, as
propriedades físicas e as condições de contorno.
4.1 MÉTODO DOS VOLUMES FINITOS
Neste trabalho emprega-se o método de volumes finitos. A formulação implícita

foi a técnica escolhida para resolver o problema direto, no qual integra-se a equação 3.1
sobre um volume elementar no espaço e no tempo (MALISKA, 1995). A programação
da solução do problema direto foi efetuada no pacote computacional Matlab. A figura
4.1 ilustra a discretização para uma malha uniforme unidimensional.
Figura 4.1 Discretização do domínio
A Figura 4.1 apresenta a discretização do domínio onde o ponto F representa o

volume de controle, o qual tem como vizinhos os pontos D ( na esquerda, na direção
de - x) e E (na direita, na direção de x). A distância entre D e F é δXw, a distância entre
F e E é δXe. O ponto d representa o limite à esquerda do volume de controle construído,
enquanto o ponto e corresponde ao limite à direita do volume de controle. A distância
entre os pontos d e e é dada por Δx.
17
A Equação 3.1 é integrada no tempo e no espaço. Resultando em:
(4. 1)
Reescrevendo a equação 4.1 considerando as fronteiras laterais do volume de

controle, que são os limites de integração no espaço tem-se:
(4.2)
A integração espacial do termo esquerdo e dos dois últimos termos do lado

direito da equação 4.2, será efetuada assumindo, em cada instante uma temperatura
uniforme no volume de controle, portanto:
(4.3)
Na equação (4.3) sobrescrito “o” refere-se a temperaturas no tempo t ; temperaturas

nível no tempo t + t não têm sobrescrito.
18
Substituindo na Equação 4.2 e rearranjando, tem-se:
(4. 4)
A integração temporal em um ponto nodal F é feita considerando que, a variação

temporal da temperatura naquele ponto é uma combinação linear dos valores nos
instantes inicial e final do intervalo de tempo considerado. Portanto, pode-se escrever a
equação seguinte (PATANKAR, 1980).
onde 0≤ θ ≤1 (4. 5)
O esquema implícito em que θ = 1, foi utilizado neste trabalho. Portanto

IT = Tp Δt. Aplicando esse resultado em d e e, substituindo na Equação 4.4 e dividindo
por AΔt temos:
(4. 6)
Onde (4.7)
19
Rearranjando a Eq.(4.6), obtém-se:
(4. 8)
(4.9)
(4.10)
(4.11)
Em x = 0 a placa está isolada, portanto, o fluxo de calor é nulo. A figura 4.2

mostra o volume de controle usado para a fronteira esquerda.
Figura 4.2 Volume de controle na fronteira esquerda
Escrevendo a condição de contorno temos:
Na fronteira x = xL a placa também está isolada, o fluxo de calor é nulo. A

figura 4.3 mostra o volume de controle usado para a fronteira direita.
20
Figura 4.3 Volume de controle na fronteira direita
21
CAPÍTULO 5 - PROBLEMA INVERSO
O problema inverso a ser estudado tem o objetivo de estimar os parâmetros que
aparecem no modelo definido pelas equações (3.25) a (3.32) a partir de medições de
temperaturas ao longo da placa.
Na abordagem Bayesiana de estatística é feita uma tentativa de utilizar todas as
informações disponíveis com o objetivo de reduzir as incertezas presentes numa
inferência. À medida que uma nova informação é obtida, ela é combinada com todas as
informações anteriores para formar uma base pelos procedimentos estatísticos. O
mecanismo formal utilizado para combinar a nova informação com as informações
disponíveis anteriormente é conhecido como o teorema de Bayes. Portanto, o termo
Bayesiano é frequentemente usado para descrever a abordagem da inversão estatística,
que é baseada nos seguintes princípios (KAIPIO e SOMERSALO, 2004):
1. Todas as variáveis incluídas no modelo são modeladas como variáveis

aleatórias.
2. A aleatoriedade descreve o grau de informação sobre as suas realizações.
3. O grau de informação relativa a estes valores é codificado em termo de
distribuições de probabilidades
4. A solução do problema inverso é a distribuição de probabilidade posterior.
Desta forma, a solução do problema inverso não se reduz a um conjunto de

valores pontuais estimados para os parâmetros, como nas técnicas tradicionais da
solução, mas sim a obtenção de uma distribuição estatística para os mesmos.
Considera-se o seguinte vetor de parâmetros da formulação matemática do
problema físico:
Onde
22
E o vetor de medida da forma:
(5.2)
Onde N é o número de parâmetros e I o número de medidas. O teorema de Bayes

pode ser descrito como indicado na Equação 5.3.
 (P) (Y P)
 posteriori (P)   (P Y)  (5.3)
 ( Y)
Onde:
é a densidade de probabilidade a posteriori,
é a densidade de probabilidade a priori, pois contém a distribuição de
probabilidade de P antes da observação do valor de Y
é a função de verossimilhança que fornece a informação sobre a
probabilidade de cada valor de P ser levado àquele valor observado Y
é a densidade de probabilidade marginal das medidas, a qual desempenha
o papel de uma constante de normalização.
Assumindo que, os erros de medidas têm uma distribuição Gaussiana, com

média zero e matriz de covariância W, e que os erros de medição são aditivos, a
verossimilhança pode ser escrita como indicado na Equação 5.4 (KAIPIO e
SOMERSALO, 2004; TAN et al., 2006).
(5.4)
Onde I é o número de medidas, W é a matriz de covariância dos erros de

medidas, Y é o vetor das medidas, T é o vetor das temperaturas calculadas a partir da
solução do problema direto com uma estimativa dos parâmetros e P o vetor de
parâmetros. Supondo medidas não correlacionadas,
23
(5.5)
Onde σ é o desvio padrão das medidas.
Considerou-se neste trabalho dois casos para a informação a priori, no primeiro a

informação a priori Gaussiana, no segundo a informação a priori Variação Total TV.
No primeiro caso tem-se priori Gaussiana:
(5.6)
Onde µ e V são respectivamente a média e a matriz de covariância de P

composta pelo desvio padrão.
Para o segundo caso foi empregada uma priori Variação Total (TV) (RUDIN,
OSHER e FATEMI, 1992). A Variação Total é um modelo de informação a priori de
campo aleatório Markoviano, Markov Random Field (KAIPIO e SOMERSALO,
2005). Esta função de regularização é apropriada para problemas onde se espera que
haja descontinuidades nos campos a serem estimados. No caso unidimensional, a
distribuição a priori TV é definida como:
(5.7)
(5.8)
∈ (5.9)
24
Onde α é o parâmetro de regularização, I é o número de medidas e é o
comprimento da borda entre os volumes vizinhos. Desta forma, utilizando a informação
a priori juntamente com a verossimilhança, pode-se escrever a posteriori como:
(5.10)
Uma cadeia de Markov é um processo estocástico {P0, P1,..... Pn}, tal que a
distribuição de Pt-1, dados todos os valores anteriores { P0, P1,..... Pt-1}, depende apenas
de Pt-1 (KAIPIO e SOMERSALO, 2004, EHLERS, 2007).
O método de Monte Carlo via Cadeia de Markov requer, para que se obtenha
uma única distribuição de equilíbrio, que a cadeia de Markov seja (EHLERS, 2007):
 homogênea, isto é, as probabilidades de transição de um estado para
outro sejam invariantes.
 irredutível, isto é, cada estado pode ser atingido a partir de qualquer outro
em um número finito de iterações;
 aperiódica, isto é, não haja estados absorventes;
Neste trabalho o método de Monte Carlo com Cadeia de Markov (MCMC) é

usado para gerar amostras de todos os parâmetros possíveis, de modo que represente a
densidade a posteriori. Para tanto, uma densidade proposta é requerida q(P*, P(t-1) ), que
dá a probabilidade de passar do estado atual da cadeia P(t-1) para um novo estado P*
(KAIPIO e SOMERSALO, 2004; TAN et al., 2006; LEE, 2004).
O algoritmo de Metropolis-Hastings está entre os algoritmos de MCMC mais

conhecidos e utilizados. Este algoritmo adota uma ideia semelhante a dos métodos de
aceitação/rejeição, onde um valor é gerado a partir de uma distribuição auxiliar e aceito
com uma determinada probabilidade. Com este mecanismo de correção procura-se
garantir a convergência da cadeia de Markov para a distribuição de equilíbrio, que é,
neste caso, a distribuição a posteriori (GAMERMAN e LOPES, 2006). O algoritmo de
Metropolis-Hastings é usado para implementar o método de MCMC. O algoritmo pode
25
ser resumido nos seguintes passos (KAIPIO e SOMERSALO, 2004; TAN et al., 2006;
LEE, 2004).
1. Gere um ponto candidato P* a partir da distribuição proposta q(P*,P(t-1));

2. Calcule a Razão de Hastings:

RH  min 1,

   P* | Y  p P* , Pt 1 


   
 t 1  t 1 *
(5.11)
  P | Y p P , P 
3. Gere um valor U ~ U  0,1 .
4. Se U≤ RH, faça P(t) = P*, caso contrário faça P(t) = P(t-1)

5. Retorne ao passo 1.
Obtém-se a sequência {P(1), P(2),....., P(tmax)}.
Deste modo obtêm-se uma sequência que representa a distribuição a posteriori.

Pode-se então realizar inferência estatística sobre estas amostras, ou seja, à medida que
o número de iterações da cadeia de Markov aumenta, a cadeia tende a esquecer de
forma gradual os primeiros estados gerados. Notamos que as amostras devem ser
ignoradas até a convergência da cadeia ao equilíbrio (KAIPIO E SOMERSALO, 2004;
TAN et al., 2006; LEE, 2004). As amostras geradas após a convergência correspondem à
distribuição a posteriori dos parâmetros e, desta forma, qualquer inferência a respeito
delas pode ser feita, incluindo a média e os intervalos de confiança (KAIPIO e
SOMERSALO, 2005; GAMERMAN e LOPES, 2006).
Um parâmetro importante de ser observado neste método é a taxa de aceitação.

Uma consequência de ter uma baixa taxa de aceitação é deixar a cadeia de Markov por
várias iterações no mesmo estado. Por outro lado, para altas taxas de aceitação, apesar
da cadeia de Markov precisar de menos iterações para evoluir, a convergência ocorre de
forma muito lenta. A taxa de aceitação pode ser controlada pela escolha da distribuição
da proposta q(P*|P(t-1)). Para isso, pode-se fazer uma análise da evolução da cadeia de
Markov (ESTUMANO, 2012).
26
CAPÍTULO 6 - RESULTADOS E DISCUSSÕES
Neste capítulo serão apresentados os resultados obtidos neste trabalho para os
problemas direto e inverso, que estão descritos respectivamente nos Capítulos 4 e 5.
Primeiramente é efetuada a verifição da solução numérica do problema direto fazendo
uma comparação com os resultados analíticos de NAVEIRA-COTTA (2009). Em
seguida são mostrados os resultados da solução do problema inverso utilizando o
método de Monte Carlo com o algoritmo de Metropolis-Hasting, através de medidas
simuladas de temperatura com duas prioris diferentes: a primeira Gaussiana e a segunda
TV (variação total). Para concluir, medidas reais obtidas na bancada experimental
desenvolvida por NAVEIRA-COTTA (2009) serão utilizadas para comparação com
priori TV, para meio homogêneo.
A abordagem proposta no capítulo 3 deste trabalho para solução do problema de

condução de calor unidimensional transiente em meios heterogêneos, foi implementada
no software Matlab (2012), em um computador com processador intel core I7 com
frequência de 3,6 GHz e 8GB de memória RAM.
6.1 VERIFICAÇÃO DA SOLUÇÃO DO PROBLEMA DIRETO

O objetivo é verificar o código e solução numérica para estabelecer a precisão
numérica, independentemente da precisão do modelo físico, que é o foco da validação
(ASME V&V, 20-2009). A verificação da solução do problema direto é uma etapa
muito importante, já que a mesma será utilizada repetidas vezes nas soluções dos
problemas inversos de interesse neste estudo. Este trabalho teve como referência para a
verificação do problema direto os resultados obtidos por NAVEIRA-COTTA (2009).
Na tabela 6.1 são apresentados os dados com os quais o problema direto foi
resolvido pelo método de volumes finitos.
Tabela 6.1 Valores usados na geração de dados simulados

tfinal = 3600 s Δt= 10 s a= 0.7
Lx = 0,12 m xcont = 0,04 m b = 0.005
Ly = 0,04 m T(x,t=0) = Tamb = 23,4 °C c=1
2
Lz= 0,001 m qw(x) = 1030,93 W/m
27
Foi efetuada uma análise de convergência da malha espacial, com um
incremento de tempo Δt = 10s, para diferentes volumes de controle.
Tabela 6.2 Análise de convergência malha espacial
Número de volumes Tempo computacional (s) Temperatura Max (oC)

X=0
100 0,0377 60,9308
300 0,0693 60,9751
360 0,0913 60,9751
483 0,1310 60,9752
490 0,1300 60,9665
500 0,1314 60,9836
600 0,1933 60,9752
700 0,3237 60,9691
1000 0,7696 60.9710
NAVEIRA-COTTA,(2009) empregou para a solucão do problema direto o método de

transformação integral clássico com 481 posiçoes na placa na forma horizontal, por isso
para a análise deste trabalho assumiu-se uma malha igual com 483 volumes para fazer
uma melhor análise de comparação. Além disso, pode-se observar na tabela 6.2 que para
uma malha de 300 a 483 volumes a temperatura máxima é a mesma com quatro dígitos
significativos, mas o custo computacional é menor para uma malha de 300 (0,0693 s) do
que para uma malha de 483 volumes (0,1310 s).
(a) (b)
Figura 6.1 Análise de convergência malha espacial
28
Na figura 6.1-a pode-se observar que a medida que aumenta o número de volumes
aumenta o tempo computacional.Observa-se na figura 6.1-b que a partir de o volume
300 a temperatura fica praticamente constante, no primeiro volume de controle.
Uma comparação entre os resultados obtidos neste estudo e os de NAVEIRA-

COTTA (2009) são apresentados nas Figuras 6.2-6.4. As variações de temperatura
resultantes da solução do problema direto, com os valores fornecidos pela tabela 6.1,
estão apresentados na Figura 6.2 para três diferentes posições na placa ao longo do
tempo. Percebe-se que em toda a placa o regime permanente foi alcançado para tempos
maiores que 1200 segundos.
A Figura 6.3 apresenta o comportamento espacial da temperatura para diferentes

tempos e pode-se observar o gradiente de temperatura que se forma ao longo da placa
devido ao aquecimento desigual ao longo do seu comprimento. Para posições situadas
próximas a x=Lx, opostas a região do aquecimento, a placa permanece praticamente a
temperatura ambiente.
Figura 6.2 Verificação dos dados obtidos da distribuição de temperatura ao longo do

tempo para diferentes posições da placa.
29
(a) (b)
c d
Figura 6.3 Verificação dos dados obtidos na distribuição de temperatura ao longo na
placa para diferentes tempos (a) t = 300s; (b) t = 600s; (c) t = 1200s; (d) t = 3600s
Pode-se verificar nas Figuras 6.2 - 6.3 que as soluções obtidas para os perfis de
temperatura também estão em boa concordância com os resultados obtidos por
NAVEIRA-COTTA (2009).
30
6.2 SOLUÇÃO DO PROBLEMA INVERSO
Nesta seção, serão apresentados os resultados obtidos para as estimativas dos

parâmetros, com o método MCMC descrito no capítulo 5. Foram examinadas prioris
gaussianas com desvio padrões diferentes e priori TV. Para a proposta de candidatos na
cadeia de Markov foi utilizado um modelo de passeio aleatório com uma distribuição
Gaussiana, na seguinte forma:
(6.5)
Na Equação 6.5, ε representa um vetor com distribuição gaussiana com média

zero e não-correlacionados. Ao estimar os parâmetros com o método MCMC, uma etapa
importante é determinar qual valor do passo de procura, ω, será usado. Escolhendo-se
um valor muito baixo para ω, a convergência para estimativa será bastante lenta. Caso
se escolha um valor alto para ω, serão necessárias várias iterações para o método aceitar
novos parâmetros. A escolha desse passo pode ser verificada analisando-se a taxa de
aceitação.
O intervalo de confiança de 99% foi realizado através da função quantile no

programa matlab definida pela equação (6.6), onde o valor do parâmetro médio é
medido após a convergência da cadeia.
IC= quantile (Pmedio,[0.005,0995]) (6.6)
6.3 SOLUÇÃO DO PROBLEMA INVERSO COM PRIORI

GAUSSIANA E MEDIDAS SIMULADAS
Para a solução do problema inverso foram realizados dois casos considerando

priori Gaussiana. No primeiro caso, o estado inicial da cadeia foi considerado como
metade do valor exato com um passo de procura de ω= 3x10-3 e com três desvios padrão
diferentes (1%, 5% e 10%) do valor médio de cada parâmetro. No segundo caso, o
estado inicial da cadeia foi considerado como 50% a mais do valor exato (1,5Pexato) com
31
um passo de procura de 4x10-4 e com desvios padrão de (1%, 5% e 10%) do valor
médio de cada parâmetro. Os valores para os casos estudados estão apresentados na
tabela 6.3.
Tabela 6.3 Dados dos casos I e II a serem estudados

Caso I Caso II
Passo de procura Passo de procura
ω = 3x10 -3
ω = 4x10-4
Estado Inicial da cadeia Estado Inicial da cadeia
0,5 Pexato 1,5 Pexato
Desvio padrão das medidas simuladas 2% da Desvio padrão das medidas simuladas 2% da
temperatura máxima temperatura máxima
6.3.1 Caso I com desvio padrão de 1%
São apresentados nesta seção os resultados para o caso I com priori Gaussiana e
desvio padrão de 1% do valor médio de cada parâmetro como apresentado na tabela 6.4

caso I
Parâmetros Distribuição de probabilidade a priori
W Média wm
Capacidade térmica volumétrica Normal σ = 1% wm
K Média km
Condutividade térmica Normal σ = 1% km
H Média hm
Coeficiente de calor térmico efetivo Normal σ = 1% hm
Q Média qm
Fluxo de calor Normal σ = 1% qm
32
calor com σ = 1%: e posição x = 0.
Pode-se observar na figura 6.4 a evolução das cadeias de Markov para a

capacidade térmica volumétrica, a condutividade térmica, o coeficiente de calor térmico
efetivo e o fluxo de calor. Foram estudadas cadeias de cem mil amostras que
alcançaram convergência a partir de cinquenta mil amostras; utilizaram-se as últimas
50000 amostras para calcular a média da distribuição a posteriori de cada parâmetro.
Pode-se observar que as saídas da cadeia para os parâmetros tendem a convergir para o
valor exato. Nas figura (6.5 – 6.8) mostram as distribuições marginais a posteriori de
cada um dos parâmetros estimados são distribuições Gaussianas, tendo em vista que a
verossimilhança é Gaussiana e as distribuições a priori também são normais ou
Gaussianas.
33
com σ = 1%: e posição x = 0.
Figura 6.6 Condutividade térmica caso I. Distribuição marginal a posteriori com σ = 1%

e posição x = 0
34
Figura 6.7 Coeficiente de transferência de calor efetivo caso I. Distribuição marginal a
posteriori com σ = 1% e posição x = 0

posição x = 0
35
A tabela 6.5 mostra os dados resumidos da etapa de simulação da estimativa dos
parâmetros. É importante notar que apesar do estado inicial da cadeia ser metade do
valor exato para cada parâmetro, recupera-se adequadamente o valor exato de cada
parâmetro em um tempo de 3600 s com uma taxa de aceitação de 19,2% e um tempo de
execução de 43 h.
Tabela 6.5 Dados da simulação MCMC para caso I com σ = 1%

Estados totais Aquecimento Aceitação (%) Tempo de CPU(h) Tempo final(s)
100000 50000 19,2 43 3600
A seguir apresenta-se na tabela 6.6, para o caso I com σ=1%, os valores exatos e
os valores de saída estimados nas posições x = 0 e x = Lx na placa em um tempo final de
3600s para cada um dos parâmetros estudados, assim como os respectivos intervalos de
confiança de 99%. As figuras 6.10 - 6.13 apresentam uma comparação entre os
parâmetros exatos (curva preta) e os parâmetros estimados (curva azul), assim como os
seus respectivos intervalos de confiança de 99% (curvas pontilhadas vermelhas).
Tabela 6.6 Dados das estimativas de saída caso I σ = 1%

Dados de Saída das Estimativas
P Exato Estimado IC min 99% IC max 99%
6 6 6
wx=0 2,701x10 2,669x10 2,627x10 2,796 x106
wx= Lx 2,226x106 2,246x106 2,186x106 2,293x106
kx=0 9,0778 8,9888 8,680 9,157

kx= Lx 0,5450 0,5548 0,539 0,559
hx=0 26,6203 26,7701 26,191 27,370

hx= Lx 5,7286 5,6663 5,615 5,887
qx=0 1031 1042 1020 1064

qx= Lx 0 0 0 0
36
Figura 6.9 Estimativa da capacidade térmica volumétrica caso I com σ = 1%.
Figura 6.10 Estimativa da condutividade térmica caso I com σ = 1%.
37
σ = 1%.
Figura 6.12 Estimativa do fluxo de calor caso I com σ = 1%.
38
desvio padrão de 5% do valor médio de cada parâmetro, como apresentado na
tabela 6.7.

caso 1 com σ = 5%
w Média wm
k Média km
h Média hm
q Média qm

efetivo e o fluxo de calor. Foram estudadas cadeias de cem mil amostras que
alcançaram convergência a partir de cinquenta mil amostras; utilizaram-se as últimas
valor exato. Nas figura (6.14 – 6.17) mostram as distribuições marginais a posteriori de
cada um dos parâmetros estimados são distribuições Gaussianas, tendo em vista que a
Gaussianas.
39
40
com σ = 5% e posição x =0.
Figura 6.15 Condutividade térmica caso I. Distribuição marginal a posteriori com σ=5%
e posição x = 0
41
Figura 6.16 Coeficiente de transferência de calor efetivo caso I .Distribuição marginal a
posteriori com σ = 5% e posição x = 0.

posição x = 0.
42
A tabela 6.8 mostra os dados resumidos da etapa de simulação da estimativa dos
parâmetros. É importante notar que apesar do estado inicial da cadeia ser metade do
valor exato para cada parâmetro, recupera-se adequadamente o valor exato de cada
parâmetro em um tempo de 3600s com uma taxa de aceitação de 53,5% e um tempo de
execução de 35h.
Tabela 6.8 Dados da simulação MCMC para caso I com σ = 5%

100000 50000 53.5 35 3600
A seguir apresenta-se na tabela 6.9, para o caso I com σ = 5%, os valores exatos
e os valores de saída estimados nas posições x = 0 e x = Lx na placa em t=3600s para
cada um dos parâmetros estudados, assim como os respectivos intervalos de 99% de
confiança. As figuras 6.19 - 6.22 apresentam uma comparação entre os parâmetros
exatos (curva preta) e os parâmetros estimados (curva azul), assim como os seus
respectivos intervalos de 99% de confiança (curvas pontilhadas vermelhas).
Tabela 6.9 Dados das estimativas de saída caso I σ = 5%

wx=0 2,701x106 2,6843x106 2,480x106 2,950x106
w x=Lx 2,226x106 2,2373x106 1,962x106 2,386x106
kx=0 9,0778 9,0118 7,604 10,114

k x=Lx 0,5450 0,5657 0,489 0,613
hx=0 26,6203 26,1038 24,38 29,00

h x=Lx 5,7286 5,9212 5,020 6,136
qx=0 1031 1055 952 1118

q x=Lx 0 0 0 0
43
Figura 6.18 Estimativa da capacidade térmica volumétrica caso I com σ = 5%.
Figura 6.19 Estimativa da condutividade térmica caso I com σ = 5%.
44
σ = 5%.
Figura 6.21 Estimativa do fluxo de calor caso I com σ = 5%.
45
desvio padrão de 10% do valor médio de cada parâmetro como apresentado na tabela
6.10.

caso 1 com σ = 10%
W Média wm
K Média km
H Média hm
Q Média qm
Pode-se observar nas figuras 6.22 a evolução das cadeias de Markov para todos
os parâmetros estudados. Observa-se nessas figuras que nenhuma das cadeias convergiu
para os parâmetros. Vários testes foram realizados em posições diferentes para a
avaliação da convergência, mas nenhuma das cadeias convergiu, uma vez que houve
falha na estabilização da cadeia no valor exato devido a dispersão dos dados em relação
ao valor médio.
Devido as cadeias não fornecerem boas análises, o caso em que o desvio padrão
é de σ = 10% não foi efetuado, pois não iria apresentar bons resultados. Além disso,
nesse caso, a taxa de aceitação foi extremamente alta (70%). Inicialmente foi-se testado
um problema com cem mil estados na cadeia, onde observou-se que não foi obtida
qualquer convergência, desta maneira, afim de verificar a convergência das cadeias o
número de estados foi dobrado, porém, ainda sim, não se pode obter uma boa
convergência para esses resultados , como pode-se observar na figura 6.22.
46
Figura 6.22 Estados da cadeia de Markov para a) a capacidade térmica volumétrica, b)
a condutividade térmica, c) o coeficiente de calor térmico efetivo e d) o fluxo de calor
com σ = 10%: e posição x = 0.
6.3.4 Caso II com desvio padrão de 1%
São apresentados nesta seção os resultados para o caso II com priori Gaussiana
e desvio padrão de 1% do valor médio de cada parâmetro como apresentado na tabela
6.11.
47
caso II
W Média wm
K Média km
H Média hm
Q Média qm
Figura 6.23 Estados da cadeia de Markov caso II a) a capacidade térmica volumétrica,

48
efetivo e o fluxo de calor. Foram simuladas cadeias de duzentas mil amostras que
alcançaram convergência a partir de cem mil amostras, utilizaram-se as últimas cem mil
amostras para calcular a média da distribuição a posteriori de cada parâmetro. Pode-se
observar que as saídas da cadeia para os parâmetros tendem a convergir para o valor
exato. Nas figura (6.24 – 6.27) mostram as distribuições marginais a posteriori de cada
um dos parâmetros estimados são distribuições Gaussianas, tendo em vista que a
Gaussianas.
com σ = 1% e posição x = 0.
49
Figura 6.25 Condutividade térmica caso II. Distribuição marginal a posteriori com
σ =1% e posição x =0.
Figura 6.26 Coeficiente de transferência de calor efetivo caso II . Distribuição marginal

a posteriori com σ = 1% e posição x = 0.
50
posição x = 0.
A tabela 6.12 mostra os dados resumidos na etapa de simulação da estimativa

dos parâmetros. É importante notar que apesar do estado inicial da cadeia possuir um
valor 50% a mais do valor exato para cada parâmetro, recupera-se adequadamente o
valor exato de cada parâmetro em um tempo de 3600s com uma aceitação de 34% e um
tempo de execução de 70h.
Tabela 6.12 Dados da simulação MCMC para o caso II com σ = 1%

200000 100000 34,1 70 3600
Apresenta-se na tabela 6.13, para o caso II com σ=1%, os valores exatos e os

valores de saída estimados nas posições x = 0 e x = Lx na placa para um tempo final de
3600s para cada um dos parâmetros estudados, assim como os respectivos intervalos de
99% de confiança. As figuras 6.29 - 6.32 apresentam uma comparação entre os
51
parâmetros exatos (curva preta) e os parâmetros estimados (curva azul), assim como os
seus respectivos intervalos de 99% de confiança (curvas pontilhadas vermelhas).
Tabela 6.13 Dados das estimativas de saída caso II σ = 1%

6 6 6
wx=0 2,701x10 2,7552x10 2,6340x10 2,7752x106
w x=Lx 2,226x106 2,2103x106 2,1793x106 2,2759x106
kx=0 9,0778 8,9242 8,8623 9,3761

k x=Lx 0,5450 0,5499 0,5376 0,5614
hx=0 26,6203 26,6305 25,7548 27,3061

h x=Lx 5,7286 5,6619 5,6208 5,8804
qx=0 1031 1027 1009 1060

q x=Lx 0 0 0 0
Figura 6.28 Estimativa da capacidade térmica volumétrica caso II com σ = 1%.
52
Figura 6.29 Estimativa da condutividade térmica caso II com σ = 1%.

σ = 1%.
53
Figura 6.31 Estimativa do fluxo de calor caso II com σ = 1%.
São apresentados nesta seção os resultados para o caso II com priori Gaussiana e
desvio padrão de 5% do valor médio de cada parâmetro, como apresentado na tabela
6.14.

caso II com σ = 5%
W Média wm
K Média km
H Média hm
Q Média qm
54
calor com σ = 5%: e posição x = 0

efetivo e o fluxo de calor. Foram simuladas cadeias de duzentas mil amostras que
alcançaram convergência a partir de cem mil amostras, utilizaram-se as últimas cem mil
amostras para calcular a média da distribuição a posteriori de cada parâmetro. Pode-se
observar que as saídas da cadeia para os parâmetros tendem a convergir para o valor
exato. Nas figura (6.33 – 6.36) mostram as distribuições marginais a posteriori de cada
um dos parâmetros estimados são distribuições Gaussianas, tendo em vista que a
Gaussianas.
55
com σ = 5% e posição x = 0.
Figura 6.34 Condutividade térmica caso II. Distribuição marginal a posteriori com
σ = 5% e posição x = 0.
56
Figura 6.35 Coeficiente de transferência de calor efetivo caso II. Distribuição marginal a
posteriori com σ = 5% e posição x = 0.
posição x = 0.
57
A tabela 6.15 mostra os dados resumidos da etapa de simulação da estimativa
dos parâmetros. É importante notar que apesar do estado inicial da cadeia possuir um
valor 50% a mais do valor exato para cada parâmetro, recupera-se adequadamente o
valor exato de cada parâmetro em um tempo de 3600s com uma taxa de aceitação de
72,2% e um tempo de execução de 65h.
Tabela 6.15 Dados da simulação MCMC para caso II σ = 5%

200000 120000 72,2 65 3600
Apresenta-se na tabela 6.16, para o caso II com σ = 5%, os valores exatos e os

valores de saída estimados nas posições x = 0 e x = Lx na placa em t = 3600s para cada
um dos parâmetros estudados, assim como os respectivos intervalos de 99% de
confiança. As figuras 6.38 - 6.41 apresentam uma comparação entre os parâmetros
exatos (curva preta) e os parâmetros estimados (curva azul), assim como os seus
respectivos intervalos de 99% de confiança (curvas pontilhadas vermelhas).
Tabela 6.16 Dados das estimativas de saída caso II σ = 5%

wx=0 2,701x106 2,858x106 2,5074x106 2,9790x106
w x=Lx 2,226x106 2,099x106 2,1033x106 2,3730x106
kx=0 9,0778 8,7979 8,2813 10,214

k x=Lx 0,5450 0,5694 0,4430 0,5985
hx=0 26,6203 24,3919 21,2391 28,6332

h x=Lx 5,7286 5,4852 5,2614 6,1509
qx=0 1031 993 960 1128

q x=Lx 0 0 0 0
58
Figura 6.37 Estimativa da capacidade térmica volumétrica, caso II com σ = 5%.
Figura 6.38 Estimativa da condutividade térmica caso II com σ = 5%.
59
σ = 5%.
Figura 6.40 Estimativa do fluxo de calor caso II com σ = 5%.
60
São apresentados nesta seção os resultados para o caso II com priori Gaussiana e
desvio padrão de 10% do valor médio de cada parâmetro como apresentado na tabela
6.17.

caso II com σ = 10%
w Média wm
k Média km
h Média hm
q Média qm
Pode-se observar na figura 6.41 a evolução das cadeias de Markov para todos os
parâmetros estudados. Observa-se nessas figuras que nenhuma das cadeias convergiu
para os parâmetros. Vários testes foram realizados em posições diferentes para a
avaliação da convergência, mas nenhuma das cadeias convergiu.
Devido as cadeias não fornecerem boas análises, o caso em que o desvio padrão
é de σ = 10% não foi efetuado, pois não iria apresentar bons resultados. Além disso,
nesse caso, a taxa de aceitação foi de 82%.
61
calor com σ = 10%: e posição x = 0
62
COMPARAÇÃO DOS CASOS I E II
Para fazer uma boa comparação dos dois casos estudados com priori Gaussiana
analisou-se o cálculo do erro quadrático médio (RMS) relativo, definido pela equação 6.1,
.
(6.1)
Na Equação 6.1, I é a quantidades de observações realizadas na simulação,

Pestimado representa os parâmetros estimados e Pexato são os valores exatos dos
parâmetros estudados.
Tabela 6.18. Comparação entre os casos I e II para cada parâmetro com RMS
RMS RMS
Parâmetros Desvio Padrão Caso I Caso II
3
w [J/m ºC] 1% 0,0073 0,0023
k [W/m ºC] 1% 0,0078 0,0021
2
h [W/m ºC] 1% 0,0078 0,0023
q [W/m2 ] 1% 0,3460 0,0801
w [J/m3 ºC] 5% 0.0183 0,0289
k [W/m ºC] 5% 0,0196 0,0294
h [W/m2 ºC] 5% 0,0198 0,0292
2
q [W/m ] 5% 0,4090 0,0169
Tabela 6.19 Comparação entre os casos I e II para cada parâmetro com taxa de aceitação
e tempo computacional
Desvio Taxa de aceitação Taxa de Tempo Tempo

Padrão Caso I aceitação computacional computacional (h)
Caso II (h) caso I caso II
1% 19,2 % 34,1% 43 35
5% 53,5% 72,2% 70 65
63
Podemos observar na tabela 6.18 os erros quadráticos médios RMS relativo,
para cada um dos parâmetros com diferentes desvios padrão e passo de procura. Depois
de realizar as simulações pode-se concluir que com o mesmo passo de procura e um
desvio padrão maior, o valor do erro RMS relativo tende a aumentar devido aos valores
estarem mais distantes do valor médio.
Também é possível observar que utilizando um passo de procura menor tem-se
um erro RMS menor para a mesma posição na placa.
Analisando a tabela 6.19, observa-se que além da taxa de aceitação reduzir com
o aumento de passo de procura, há uma redução de estados na cadeia de Markov
necessárias para a convergência. Para o primeiro caso, com um passo de procura 3x10-3
obteve-se uma taxa de aceitação de 19,2% e com passo de procura de 4x10-4, a taxa de
aceitação foi de 34,1%, comparado com o mesmo desvio padrão de 1%. Observa-se que
com o aumento do desvio padrão, obteve-se uma taxa de aceitação mais elevada.
Pode-se verificar na tabela 6.19, que para passos de procura maiores, são
necessários menos estados para a convergência da cadeia de Markov. Para o primeiro
caso com um passo de procura 3x10-3, a cadeia convergiu com cem mil estados,
enquanto com um passo de procura de 4x10-4 foi necessário uma cadeia com duzentos
mil estados.
64
VARIAÇÃO TOTAL (TV) E MEDIDAS SIMULADAS
Para a solução do problema inverso foram realizados dois casos considerando

priori TV, mas, quando a influência de uma descontinuidade é sentida nos dados, este
permite mudanças abruptas sobre os parâmetros. Devido à baixa resolução nos dados a
priori TV faz uma transição suave.
O esquema de inversão apresentado utiliza o método de Monte Carlo MCMC
com o algoritmo de Metropolis-Hastings, o qual foi implementado no programa Matlab.
A priori para estes casos será o valor de TV de cada parâmetro multiplicado por α.
O valor de α foi definido neste trabalho por experimentação numérica de tal
forma que proporcionasse um bom ajuste e satisfizesse as informações a priori
suficientes para estabilizar a solução. Um valor de α alto torna o problema inverso bem
posto e permite que os parâmetros estimados satisfaçam quase completamente as
informações a priori. Porém isto geralmente induz um desajuste entre os dados
observados e estimados. Por outro lado, valores baixos de α proporcionam um bom
ajuste dos parâmetros estimados aos dados observados, mas a solução do problema
inverso torna-se instável. Para mostrar os resultados com priori TV, dois testes foram
efetuados alterando-se o estado inicial da cadeia para cada parâmetro e o valor de alfa,
indicados na tabela 6.20
Tabela 6.20 Dados dos casos I e II a serem estudados com priori TV
Caso I Caso II
Passo de procura Passo de procura
ω = 4x10 -4
ω = 4x10-4
Estado Inicial da cadeia Estado Inicial da cadeia
1,05 Pw 1,02 Pw
1,05 Pk 1,05 Pk
1,05 Ph 1,05 Ph
1,05 Pq 1,05 Pq
Desvio padrão das medidas simuladas - 2% da Desvio padrão das medidas simuladas - 2% da
temperatura máxima temperatura máxima
α=2x10-5 α=2,8x10-5
65
6.4.1 Caso I com priori TV
São apresentados os resultados para o caso I com priori TV. O valor de α foi
testado de forma iterativa procurando uma boa convergência na malha e um valor da
taxa de aceitação aceitável com o número de cadeia.
efetivo e d) o fluxo de calor com α = 2*10-5

efetivo e o fluxo de calor. Foram estudadas cadeias de trezentas mil amostras que
alcançaram convergência a partir de duzentas mil amostras; utilizaram-se as últimas
66
valor exato. Nas figura (6.43– 6.46) mostram as distribuições marginais a posteriori de
cada parâmetro e foi observada uma boa convergência das cadeias, uma vez que se
estabilizou em torno do valor exato. Pode-se observar que tendo um valor inicial da
cadeia de 5% acima do valor inicial, a cadeia consegue recuperar a informação de forma

na posição x = 0 com priori TV.
67
Figura 6.44 Condutividade térmica caso I . Distribuição marginal a posteriori na posição
x = 0 com priori TV.
Figura 6.45 Coeficiente de transferência de calor efetivo caso I. Distribuição marginal

na posição x =0 com priori TV.
68
Figura 6.46 Fluxo de calor caso I. Distribuição marginal a posteriori na posição x=0
com priori TV.
A tabela 6.21 apresenta os dados resumidos da etapa de simulação da estimativa

dos parâmetros. É importante notar que apesar do estado inicial da cadeia ser 5% a mais
do valor exato para cada parâmetro, recupera-se adequadamente o valor exato de cada
parâmetro, em um tempo de 3600s com uma aceitação de 53% e um tempo
computacional de 43h.
Tabela 6.21 Dados da simulação MCMC para caso I com priori TV

300000 200000 53 56 3600
Apresenta-se na tabela 6.22, para o caso I com priori TV e α=2x10-5, os valores

exatos e os valores de saída estimados nas posições x = 0 e x = Lx na placa em um
t=3600s para todos os parâmetros estudados, assim como os respectivos intervalos de
99% de confiança e o valor do erro RMS correspondente a esta estimativa para cada um
dos parâmetros.
69
Tabela 6.22 Dados das estimativas de saída
w x=Lx 2,701x106 2,938x106 2,793x106 3,062x106
w x=0 2,226x106 2,525x106 2,393x106 2,685x106
RMSw Ralativo= 0,0396
kx=Lx 9,0778 11,075 9,005 11,202
k x=0 0,5450 0,3169 0,2907 0,4425
RMSk Relativo= 0,1580
hx=Lx 26,6203 21,7123 21,100 23,679
h x=0 5,7286 4,7748 4,6908 5,3372
RMSh Relativo= 0,1605
q x=0 1031 1141 1080 1199
qx=Lx 0 0 0 0
RMSq Relativo= 0,1501
As figuras 6.47 - 6.50 apresentam uma comparação entre os parâmetros exatos

(curva preta) e os parâmetros estimados (curva azul), assim como os seus respectivos
intervalos de 99% de confiança (curvas pontilhadas vermelhas). Além disso, a dispersão
dos valores estimados é pequena sendo observada uma boa estimativa dos resultados
para cada um dos parâmetros.
70
Figura 6.47 Estimativa da capacidade térmica volumétrica caso I priori TV com
t = 3600s.
Figura 6.48 Estimativa da condutividade térmica caso I priori TV com t = 3600s.
71
Figura 6.49 Estimativa do coeficiente de transferência de calor efetivo caso I priori TV
com t = 3600s.
Figura 6.50 Estimativa do fluxo de calor caso I priori TV com t = 3600s.
72
6.4.2 Caso II com priori TV
Tabela 6.23 Dados caso II a serem estudados com priori TV

Caso II
Passo de procura
ω = 4x10-4
Estado Inicial da cadeia
1,02 Pw
1,05 Pk
1,05 Ph
1,05 Pq
Desvio padrão das medidas simuladas – 2% da
temperatura máxima
α=2,8x10-5
São apresentados os resultados para o caso II com priori TV. O valor de α foi
testado de forma iterativa procurando uma boa convergência na malha e um valor da
taxa de aceitação compatível com o número de cadeia.

efetivo e o fluxo de calor. Foram estudadas cadeias de duzentas mil amostras que
alcançaram convergência a partir de cem mil amostras. As últimas cem mil amostras
foram utilizadas para calcular a média da distribuição a posteriori de cada parâmetro,
como apresenta-se nas figuras (6.52– 6.55) que apresentou uma boa convergência das
cadeias, uma vez que se estabilizou em torno do valor exato
73
efetivo e d) o fluxo de calor com α = 2,8*10-5
74
na posição x =0 com priori TV.
Figura 6.53 Condutividade térmica caso II. Distribuição marginal a posteriori na

posição x = 0 com priori TV.
75
Figura 6.54 Coeficiente de transferência de calor efetivo caso II. Distribuição marginal
na posição x = 0 com priori TV.
Figura 6.55 Fluxo de calor caso II . Distribuição marginal a posteriori na posição x = 0

com priori TV.
76
A tabela 6.24 mostra os dados resumidos da etapa de simulação da estimativa
dos parâmetros. É importante notar que apesar de ter um valor inicial da cadeia de 2% a
mais do valor exato para o parâmetro da capacidade térmica volumétrica e 5% para os
demais parâmetros, recupera-se adequadamente o valor exato de cada parâmetro em um
tempo de 3600s, com uma taxa de aceitação de 36% e um tempo de execução de 32 h.
Tabela 6.24 Dados da simulação MCMC para caso II com priori TV

200000 100000 36 32 3600
Na tabela 6.25 apresentam-se para o caso II com priori TV e α=2,8x10-5, os

valores exatos e os valores de saída estimados dos parâmetros nas posições x = 0 e
x = Lx na placa em um tempo de 3600 s, assim como os respectivos intervalos de
confiança de 99% e o valor do erro RMS correspondente a esta estimativa para cada um
dos parâmetros.
Tabela 6.25 Dados das estimativas de saída caso II priori TV

6 6 6
w x=0 2,701x10 2,7425x10 2,660x10 2,841x106
w x=Lx 2,226x106 2,2710x106 2,173x106 2,335x106
RMSw Relativo= 0,0207
k x=0 9,0778 9,5294 9,282 10,024
k x=Lx 0,5450 0,5372 0,525 0,587
RMSk Relativo = 0,1081
h x=0 26,6203 26,5292 24,660 28,255
h x=Lx 5,7286 5,6342 5,447 5,765
RMSh Relativo = 0,0925
q x=0 1031 1039 1002 1106
q x=Lx 0 0 0 0
RMSq Relativo = 0,0872
77
As figuras 6.56 - 6.59 apresentam uma comparação entre os parâmetros exatos
(curva preta) e os parâmetros estimados (curva azul), assim como os seus respectivos
intervalos de confiança de 99% (curvas pontilhadas vermelhas). A dispersão dos valores
estimados se mostrou pequena indicando uma boa estimativa dos parâmetros.
Figura 6.56 Estimativa da capacidade térmica volumétrica caso II priori TV com

t = 3600s.
78
Figura 6.57 Estimativa da condutividade térmica caso II priori TV com t = 3600s.
Figura 6.58 Estimativa do coeficiente de transferência de calor efetivo caso II priori TV

com t = 3600s.
79
Figura 6.59 Estimativa do fluxo de calor caso II priori TV com t = 3600s.

VARIAÇÃO TOTAL (TV) E MEDIDAS REAIS
Os resultados experimentais apresentados nesta subseção foram realizados por

NAVEIRA-COTTA (2009). A autora do experimento abordou um problema com
variação espacial significativa de temperaturas, utilizando placas de baquelite (baixa
condutividade térmica) de espessura 1,58 mm e de dimensões 40 mm de largura por
80 mm de comprimento. No aquecimento das placas foi empregada uma resistência
elétrica de 38,18 Ω, quadrada e de dimensões 40 mm de largura por 40 mm de
comprimento, instalada entre as duas placas, ligada a uma fonte de corrente contínua
com voltagem medida automaticamente. Para melhorar o contato entre a resistência e as
placas utilizou-se uma fina camada de pasta térmica. Os experimentos com os quais se
pretende fazer uma comparação possuem configuração horizontal.
80
Figura 6.60 Modelo físico configuração física placa Baquelite.
O número de posições para cada experimento refere-se ao número de sensores.

Neste caso as 65 medidas de temperatura foram efetuadas com uma câmera de
termografia por infravermelho. Diferenças no número de sensores são devidas a
pequenas diferenças entre as distâncias da placa a lente da câmera que era de 250 mm e
a voltagem especificada na fonte ligada a resistência era de 8 V. Após o
reposicionamento para cada experimento, a autora empregou o método de
transformação integral na solução direta e a abordagem de inferência Bayesiana via
método de MCMC na solução do problema inverso. A tabela 6.25 apresenta os valores
iniciais e os limites máximos e mínimos considerados na procura dos parâmetros. A
escolha dos valores iniciais foi baseada nos valores das medidas de propriedades
termofísicas feitas na UNIMET/LTTC com o método FLASH (NAVEIRA-COTTA,
2009).
Tabela 6.26- Valores iniciais mínimos e máximos para cada parâmetro nas estimativas
Parâmetros Inicial Mínimo Máximo
wx=0 1,768x106 1,44x106 2,55x106
w x = Lx 1,768x106 1,44x106 2,55x106
kx=0 0,2789 0,2 0,4
k x = Lx 0,2789 0,2 0,4
hx=0 16,518 8,259 41,294
h x = Lx 5,902 0 11,804
b 0,001 0 0,1
81
No presente trabalho, para a solução do problema inverso empregou-se uma
priori variação total (TV) para todos os parâmetros estudados com um valor de alfa de
1,17x10-5 e um passo de 4x10-4. Tomando um valor maximo e minimo como é
apresentado na tabela 6.26 para reduzir o custo computacional e procurar o valor
estimado de cada parâmetro. Além disso, a solução do problema inverso de estimativa
de parâmetros foi obtida com o método MCMC usando as medidas experimentais de
NAVEIRA-COTTA (2009)
Na figura 6.61 observam-se os perfis de temperatura experimental, simulada e

temperatura ambiente no tempo final de 2900 segundos. Observa-se uma falta de
concordância entre as temperaturas calculadas com os parâmetros estimados e as
temperaturas experimentais na região da placa não-aquecida, onde as temperaturas são
mais baixas e próximas da temperatura ambiente. Essa falta de concordância pode ser
resultado da não-linearidade do coeficiente de transferência de calor por convecção
natural nessa região.
Figura 6.61 Comparação entre as temperaturas experimental NAVEIRA-

COTTA (2009) e estimada.
82
Na Tabela 6.27 apresentam-se os dados resumidos da etapa de simulação da
estimativa dos parâmetros. É importante notar que apesar do estado inicial da cadeia ter
um intervalo para cada parâmetro, recupera-se adequadamente o valor medido
experimental de cada parâmetro em um tempo de 2900s com uma taxa de aceitação de
65% e um tempo de execução de 20,76 h.
Tabela 6.27 Dados da simulação MCMC com priori TV e medidas reais

200000 100000 65 20,76 2900
Apresentam-se na Tabela 6.28 os valores medido experimentalmete e os valores

de saída estimados nas posições x = 0 e x = Lx na placa em um tempo de 2900s para
cada um dos parâmetros estudados, assim como os respectivos intervalos de 99% de
confiança e o valor do erro RMS correspondente a esta estimativa para cada um dos
parâmetros. Os valores do erro RMS para cada parâmetro se mostraram pequenos,
indicando uma boa estimativa.
Tabela 6.28 Dados de saída das estimativas - Caso Experimental
P Medido Estimado IC min 99% IC max 99%
Experimental
wx = 0 1,768x106 1,9425x106 1,6951x106 2,3454x106
wx = Lx 1,768x106 1,7882x106 1,6326x106 2,0759x106
RMSwrelativo= 0,0317
kx = 0 0.2789 0,3294 0,2976 0,3344
kx = Lx 0,2789 0,3461 0,2631 0,3770
RMSkrelativo =0.111
hx = 0 16,518 26,8627 23,897 27,406
hx = Lx 5,902 5,7026 5,392 6,5295
RMShrelativo = 0.1354
qx = 0 1031 1039 1008 1109
qx = Lx 0 0 0 0
RMSqrelativo = 0.35
83
As figuras 6.63 - 6.66 apresentam uma comparação entre os parâmetros medidos
experimentais (curva preta) e os parâmetros estimados (curva azul), assim como os seus
respectivos intervalos de 99% de confiança (curvas pontilhadas vermelhas). Além disso,
a dispersão dos valores estimados se mostrou pequena, sendo observada uma boa
concordância nas estimativas, confirmando se tratar de uma amostra de material
homogêneo.
Figura 6.62 Estimativa da capacidade térmica volumétrica.
84
Figura 6.63 Estimativa da condutividade térmica.
Figura 6.64 Estimativa do coeficiente de transferência de calor efetivo.
85
Figura 6.65 Estimativa do fluxo de calor.
86
CAPÍTULO 7 - CONCLUSÕES E SUGESTÕES
Neste trabalho foi resolvido um problema inverso de transferência de calor, cujo
objetivo foi estimar 4 parâmetros espacialmente distribuídos, a saber: capacidade
térmica volumétrica, condutividade térmica, coeficiente de transferência de calor efetivo
e o fluxo de calor. Para esta finalidade, utilizou-se uma abordagem estocástica, com o
Método de Monte Carlo com Cadeias de Markov (MCMC). Duas prioris diferentes
foram utilizadas: priori Gaussiana e priori Variação Total (TV).
Os resultados do problema direto e inverso aplicados neste trabalho foram
comparados com NAVEIRA-COTTA (2009). A solução do problema direto foi obtida
através de método de volumes finitos.
As soluções obtidas via abordagem Bayesiana mostraram que o método é
robusto, sendo capaz de estimar os parâmetros estudados com bons resultados para os
materiais homogêneos.
Considerando como objetivo principal estimar os parâmetros estudados em um
meio heterogêneo, observou-se que a priori Gaussiana foi mais eficiente para recuperar
os valores exatos dos parâmetros. Além disso, pode-se observar que a priori TV
mostrou uma boa concordância com os dados estimados e este método se mostrou mais
eficiente para diferentes situações reais de aplicação, como pode ser comprovado pelo
caso experimental, que convergiu mais rápido e teve um tempo computacional menor.
Para a priori TV (variação total) foram efetuadas tentativas de estimar os
parâmetros exatos utilizando uma sequência de valores iniciais maiores que 5% o valor
dos parâmetros exatos. Porém, nesses casos as cadeias não obtiveram boa convergência.
Com o intuito de obter a convergência, aumentou-se o número de estados da cadeia para
500000 e alterou-se o parâmetro de regularização α, porém as estimativas ficaram
distantes dos valores exatos para diferentes posições na placa.
Em trabalhos futuros considera-se importante que a procura do valor de
regularização possa ser sistematizada e não calculada mediante método heurístico, uma
vez que é difícil encontrar um valor que faça a cadeia convergir de forma ótima e que
possa diminuir o tempo de convergência.
87
CAPÍTULO 8 - REFERÊNCIAS BIBLIOGRÁFICAS
ABREU, L. A. S. 2011, Abordagem Bayesiana para Identificação de Falhas em

Compósitos Laminados Através da Transferência de Calor. Dissertação de
M.Sc.,COPPE/UFRJ. Rio de Janeiro,RJ,Brasil.
ABREU, L. A. S., COLAÇO, M. J., ORLANDE, H. R. B. et al. "A comparison of two

inverse problem techniques for the identification of contact failures in multi-
layered composites". In: 22nd International Congress of Mechanical
Engineering (COBEM 2013). November 3-7, Ribeirão Preto, SP, Brazil. 2013.
ABREU, L. A. S., ORLANDE, H. R. B., KAIPIO, J. et al. "Identification of Contact

Failures in Multilayered Composites With the Markov Chain Monte Carlo
Method". J. Heat Transfer, 136, July 29, 2014.
ALIFANOV, O. M. “Solution of an inverse problem of heat conduction by iterative

methods.” Journal of Engineering Physics, v. 26, n. 4, pp. 471–476, 1974.
ALIFANOV, O. M. Inverse heat transfer problems. New York, NY: Springer-Verlag,

1994.
BECK, J. V. “Calculation of surface heat flux from an internal temperature history.”

ASME paper, v. 62, n. HT, pp. 46, 1962.
BECK, J. V.; BLACKWELL, B.; ST. CLAIR, C. R. Inverse heat conduction: Ill -
posed problems. New York, NY: Wiley-Intersciencie, 1985.
CAMPOS, M. P. 2013. Simulação sob incerteza de condução de calor em meios

heterogêneos combinando transformação integral e caos polinomia. Dissertação
de Mestrado.,COPPE/UFRJ. Rio de Janeiro, RJ, Brasil.
88
BECK, J.V., Sequential Methods in Parameter Estimation, 3rd International
Conference on Inverse Problems in Enginnering, Tutorial Session, Port Ludlow,
WA, 1999.
DA SILVA, P. N. 2012. Estimativa do fluxo de calor em ferramentas

debrunimento: método de monte carlo com cadeia de markov. Dissertação
de Mestrado.,COPPE/UFRJ. Rio de Janeiro, RJ, Brasil.
DONDERO, M., et al. ''Effective thermal conductivity of functionally graded random

micro-heterogeneous materials using representative volume element and BEM''.
International Journal of Heat and Mass Transfer. Vol. 54. 2011. pp. 3874-
3881.
ESTUMANO, C. N. 2012. Estimativa de parâmetros e variáveis de estado do modelo

de Hodgkin-huxley. Dissertação de Mestrado., COPPE/UFRJ. Rio de Janeiro,
RJ, Brasil.
HADAMARD, J. Lectures on Cauchy problem in linear partial differential

equations. New York, NY: Dover Publications, 1953.
KAIPIO, J. P. e SOMERSALO, E. Computational and Statistical Methods for

Inverse Problems. New York: Springer, 2004.
KNUPP, C D. 2010 Análise teórico-experimental de transferência de calor em

nanocompósitos via transformação integral e termografia por infravermelho.
Dissertação de Mestrado., COPPE/UFRJ. Rio de Janeiro, RJ, Brasi.
KNUPP, C D. et al. " Theoretical Experimental analysis of heat transfer in

nonhomogeneous solids via improved lumped formulation integral transforma
and infrared thermography" International Journal of Thermal Sciences. v.62,
pp 71-84, 2012.
89
LAMIEN, B. 2011 Uso de inferência bayesiana para estimativa de propriedades
termofísicas com o método da sonda linear. Dissertação de Mestrado,
COPPE/UFRJ. Rio de janeiro,RJ,Brasil. 2011.
MALISKA C. R., 2004, Transferência de Calor e Mecânica dos Fluidos

Computational, 2a Edição, Rio de Janeiro, LTC.
MATT, C.F. E CRUZ, M. “Effective Thermal Conductivity of Composite Materials

with 3-D Microstructures and Interfacial Thermal Resistance”, Numerical Heat
Transfer, Part-A: Applications, v. 53, Issue 6, pp 577-604. 2008
MCCORMICK, N.J., "Inverse Problems: Methods and Applications", Tendências em

Matemática e Computacional, vol. 2, pp. 1-12. 2001.
MOTA, C. A. A., ORLANDE, H. R. B., DE CARVALHO, M. O. M. et al. "Bayesian

Estimation of Temperature-Dependent Thermophysical Properties and Transient
Boundary Heat Flux". Heat Transfer Engineering, v. 31, n. 7, pp. 570-580,
2009.
NAVEIRA-COTTA, C. P. 2009. Problemas Inversos De Condução De Calor Em

Meios Heterogêneos: Análise Teórico-Experimental Via Transformação
Integral, Inferência Bayesiana E Termografia Por Infravermelho. Tese de
D.Sc.,COPPE/UFRJ. Rio de Janeiro, RJ, Brasil.
NAVEIRA-COTTA, C. P., ORLANDE, H. R. B e COTTA, R. M. "Integral transforms

and Bayesian in the identification of variable thermal conductivity in two-phase
dispersed systems". Numerical Heat Transfer, v. 57, n.3, pp. 173-202, 2010.
NAVEIRA-COTTA, C. P., COTTA, R. M. e ORLANDE, H. R. B. "Inverse Analysis

with Integral Transformed Temperature Fields for Identification of
Thermophysical Properties Functions in Heterogeneous Média". International
Journal of Heat and Mass Transfer, v. 54, p. 1506-1519, 2011.
90
ORLANDE, H.; COLAÇO, M.; NAVEIRA COTTA, C.; GUIMARAES, G.; VALERIO
LUIZ BORGES. Problemas Inversos Em Transferência de Calor. 1st ed.
2011.
ORLANDE, H. R. B., COLAÇO, M. J. e DULIKRAVICH, G. S. "Application of

Bayesian Filters to Heat Conduction Problems". In: EngOpt 2008 -
International Conference on Engineering Optimizatio. Rio de Janeiro, Brazil.
2008.
ORLANDE, H. R. B., FUDYM, O., MAILLET, D. et al. Thermal Measurements and

Inverse Techniques. Boca Raton: CRC Press, 2011.
PATANKAR, S. V., Numerical Heat Transfer and Fluid Flow, Minkowycz, W.J. and
Sparrow, E.M. Editors. 1980
PESTANA, M. S. 2014. Análise de transferência de calor em regime transiente

em materiais anisotrópicos aplicando o mec . Dissertação de Mestrado., Universidad de
Brasilia, Brasilia ,Brasil.
PLETCHER, R. H. e ANDERSON, D. A. Computational Fluid Mechanics and Heat

Transfer. Washington: Taylor & Francis, 1997.
RISTIC, B.; ARULAMPALAM, S.; GORDON, N. “Beyond the Kalman Filter.”Boston,

MA: Artech House, 2004.
TAN, S., FOX, C. e NICHOLLS, G. Inverse Problems - Course Notes for Physics
707. Auckland: University of Auckland, 2006.
THIKONOV, A. N. “Inverse problems in heat conduction.” Journal of Engineering

Physics, v. 29, n. 1, pp. 816–820, 1975.
THIKONOV, A. N.; ARSEIN, V. . “Solution of Ill-Posed Problems.” Washington, DC:

Winston & Sons, 1977.
91
WANG, J., ZABARAS, N, “Hierarchical Bayesian models for inverse problems in heat
conduction”, Institute of Physics Publishing: Inverse Problems, v.21, pp. 183-
206. 2005
WINKLER, R. An Introduction to Bayesian Interference and Decision. Gainsville:

Probabilistic Publishing, 2003.
92

Dissertação Legal Problema Inverso

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Dissertação Legal Problema Inverso

Enviado por

Direitos autorais:

Formatos disponíveis

ESTIMATIVA DE PARÂMETROS DE MATERIAIS HETEROGÊNEOS COM O

MÉTODO DE MONTE CARLO COM CADEIA DE MARKOV

Diana Carolina Santos Cuevas

Dissertação de Mestrado apresentada ao

Orientador: Helcio Rangel Barreto Orlande

Primeiramente а Deus qυе permitiu qυе tudo isso acontecesse, ао longo dе

A meus pais, Mario Santos e Berenice Cuevas, meu infinito agradecimento.

A meus irmãos, Giselle, Daniel e Janeth, a meus sobrinho e demais familiares

A meus amigos colombianos, obrigada pela ajuda e paciência amizade qυе

Programa de Engenharia Mecânica da COPPE, Universidade Federal do Rio de

ESTIMATIVA DE PARÂMETROS DE MATERIAIS HETEROGÊNEOS COM O

Diana Carolina Santos Cuevas

Orientador: Helcio Rangel Barreto Orlande

Programa: Engenharia Mecânica

O presente trabalho tem como objetivo estimar propiedades termofisicas

PARAMETER ESTIMATION IN HETEROGENEOUS MATERIALS WITH THE

Diana Carolina Santos Cuevas

Advisor: Helcio Rangel Barreto Orlande

Department: Mechanical Engineering

This study aims at estimating thermophysical properties spatially variable in

CAPÍTULO 1 - INTRODUÇÃO ................................................................................... 1

CAPÍTULO 2 - REVISÃO BIBLIOGRÁFICA ............................................................. 3

CAPÍTULO 3 - PROBLEMA FÍSICO E FORMULAÇÃO MATEMÁTICA ............ 10

CAPÍTULO 4 - PROBLEMA DIRETO ...................................................................... 17

CAPÍTULO 5 - PROBLEMA INVERSO .................................................................... 22

CAPÍTULO 6 - RESULTADOS E DISCUSSÕES ..................................................... 27

CAPÍTULO 7 - CONCLUSÕES E SUGESTÕES ...................................................... 87

CAPÍTULO 8 - REFERÊNCIAS BIBLIOGRÁFICAS ............................................... 88

Figura 3.1 Modelo físico estudado. Naveira-Cotta (2009) ............................................. 10

Tabela 3.1 Propriedades Termofísicas............................................................................ 14

Nos últimos anos pesquisadores têm dedicado esforços a estudar características

No capítulo 2 apresenta-se uma revisão bibliográfica da literatura na qual este

Este capítulo apresenta uma revisão bibliográfica dos trabalhos disponíveis na

2.1 MEIOS HETEROGÊNEOS

Um material heterogêneo é constituído por duas ou mais fases combinados em

MATT E CRUZ (2008) apresentam uma metodologia analítico-numérica

Problemas inversos em transferência de calor podem estar associados à

2.3 INFERÊNCIA BAYESIANA EM PROBLEMAS INVERSOS

Nesta seção são apresentados alguns trabalhos referentes à aplicação da

2.4 CONTRIBUIÇÕES DO TRABALHO

Com o objetivo de obter estimativas mais acuradas de propriedades termofísicas

Esta seção apresenta o problema unidimensional transiente de condução de calor

3.1 PROBLEMA FÍSICO

Figura 3.1 Modelo físico estudado. Naveira-Cotta (2009)

3.2 FORMULAÇÃO MATEMÁTICA

Nesta seção é apresentada a formulação matemática do problema físico

Com condições de contorno:

Onde w e k são, respectivamente, a capacidade térmica volumétrica e a

qinf é o fluxo de calor aplicado pela resistência elétrica e qx e a variacao espacial

Para escolher os valores dos parâmetros a,b,c NAVEIRA-COTTA, (2009)

Figura 3.2 Análise da dependência temporal do fluxo de calor NAVEIRA-COTTA

NAVEIRA-COTTA (2009) considerou para o termo de dissipacao linear a correlação

Numero de Nusselt (3. 6. a,b)

Coef. Convecção Natural:

Na análise de NAVEIRA-COTTA (2009), as propriedades termofísicas foram

Na tabela 3.1, podem-se observar os valores da capacidade térmica e

Tabela 3.1 Propriedades Termofísicas

Figura 3.3 Comportamento espacial da capacidade térmica volumétrica

Figura 3.4 Comportamento espacial da condutividade térmica

Figura 3.6 Comportamento espacial do fluxo de calor

4.1 MÉTODO DOS VOLUMES FINITOS

Neste trabalho emprega-se o método de volumes finitos. A formulação implícita

Figura 4.1 Discretização do domínio

A Figura 4.1 apresenta a discretização do domínio onde o ponto F representa o