Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
Orientador: Helcio Rangel Barreto Orlande
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.
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
vi
Resumo da Dissertação apresentada à COPPE/UFRJ como parte dos requisitos
necessários para a obtenção do grau de Mestre em Ciências (M.Sc.)
Junho /2015
vii
Abstract of Dissertation presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Master of Science (M.Sc.)
June /2015
viii
SUMÁRIO
ix
LISTA DE FIGURAS
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,
b) a condutividade térmica, c) o coeficiente de calor térmico efetivo e d) o fluxo de
calor com σ = 5%: e posição x = 0 ................................................................................. 55
Figura 6.33 Capacidade térmica volumétrica caso II. Distribuição marginal a posteriori
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
Figura 6.36 Fluxo de calor caso II. Distribuição marginal a posteriori com σ = 5% e
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
Figura 6.39 Estimativa do coeficiente de transferência de calor efetivo caso II com
σ = 5%. ........................................................................................................................... 60
Figura 6.40 Estimativa do fluxo de calor caso II com σ = 5%. ...................................... 60
Figura 6.41 Estados da cadeia de Markov caso II, 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 ............................................................................... 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
Figura 6.43 Capacidade térmica volumétrica caso I. Distribuição marginal a posteriori
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
Figura 6.51 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 = 2,8*10-5 ............................................................... 74
Figura 6.52 Capacidade térmica volumétrica caso II. Distribuição marginal a posteriori
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
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
1
1.2 ORGANIZAÇÃO DO TRABALHO
2
CAPÍTULO 2 - REVISÃO BIBLIOGRÁFICA
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
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.
9
CAPÍTULO 3 - PROBLEMA FÍSICO E FORMULAÇÃO
MATEMÁTICA
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.
(3.1)
(3. 2)
(3. 3)
11
E condição inicial:
(3. 4)
(3. 5)
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).
Numero de Rayleigh
13
(3. 6. c,d)
(3.7)
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)
15
Figura 3.5 Comportamento espacial do coeficiente de transferência de calor efetivo
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.
17
A Equação 3.1 é integrada no tempo e no espaço. Resultando em:
(4. 1)
(4.2)
(4.3)
18
Substituindo na Equação 4.2 e rearranjando, tem-se:
(4. 4)
onde 0≤ θ ≤1 (4. 5)
(4. 6)
Onde (4.7)
19
Rearranjando a Eq.(4.6), obtém-se:
(4. 8)
(4.9)
(4.10)
(4.11)
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):
Onde
22
E o vetor de medida da forma:
(5.2)
(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.
(5.4)
23
(5.5)
(5.6)
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;
25
ser resumido nos seguintes passos (KAIPIO e SOMERSALO, 2004; TAN et al., 2006;
LEE, 2004).
RH min 1,
P* | Y p P* , Pt 1
t 1 t 1 *
(5.11)
P | Y p P , P
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.
27
Foi efetuada uma análise de convergência da malha espacial, com um
incremento de tempo Δt = 10s, para diferentes volumes de controle.
(a) (b)
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.
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
(6.5)
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
32
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 6.7 Coeficiente de transferência de calor efetivo caso I. Distribuição marginal a
posteriori com σ = 1% e 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.
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).
36
Figura 6.9 Estimativa da capacidade térmica volumétrica caso I com σ = 1%.
37
Figura 6.11 Estimativa do coeficiente de transferência de calor efetivo caso I com
σ = 1%.
38
6.3.2 Caso I com desvio padrão de 5%
São apresentados nesta seção os resultados para o caso I com priori Gaussiana e
desvio padrão de 5% do valor médio de cada parâmetro, como apresentado na
tabela 6.7.
39
Figura 6.13 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 = 5%: e posição x = 0.
40
Figura 6.14 Capacidade térmica volumétrica caso I. Distribuição marginal a posteriori
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.
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.
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).
43
Figura 6.18 Estimativa da capacidade térmica volumétrica caso I com σ = 5%.
44
Figura 6.20 Estimativa do coeficiente de transferência de calor efetivo caso I com
σ = 5%.
45
6.3.3 Caso I com desvio padrão de 10%
São apresentados nesta seção os resultados para o caso I com priori Gaussiana e
desvio padrão de 10% do valor médio de cada parâmetro como apresentado na tabela
6.10.
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.
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
Tabela 6.11 Distribuições de probabilidade a priori dos parâmetros para a solução do
caso II
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
48
Pode-se observar na figura 6.23 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 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
verossimilhança é Gaussiana e as distribuições a priori também são normais ou
Gaussianas.
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
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
parâmetros exatos (curva preta) e os parâmetros estimados (curva azul), assim como os
seus respectivos intervalos de 99% de confiança (curvas pontilhadas vermelhas).
52
Figura 6.29 Estimativa da condutividade térmica caso II com 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.
54
Figura 6.32 Estados da cadeia de Markov caso II, a) a capacidade térmica volumétrica,
b) a condutividade térmica, c) o coeficiente de calor térmico efetivo e d) o fluxo de
calor com σ = 5%: e posição x = 0
55
Figura 6.33 Capacidade térmica volumétrica caso II. Distribuição marginal a posteriori
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.
Figura 6.36 Fluxo de calor caso II. Distribuição marginal a posteriori com σ = 5% e
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.
58
Figura 6.37 Estimativa da capacidade térmica volumétrica, caso II com σ = 5%.
59
Figura 6.39 Estimativa do coeficiente de transferência de calor efetivo caso II com
σ = 5%.
60
6.3.6 Caso II com desvio padrão de 10%
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.
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
Figura 6.41 Estados da cadeia de Markov caso II, 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
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)
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
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
6.4 SOLUÇÃO DO PROBLEMA INVERSO COM PRIORI
VARIAÇÃO TOTAL (TV) E MEDIDAS SIMULADAS
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.
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
100000 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 (6.43– 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
67
Figura 6.44 Condutividade térmica caso I . Distribuição marginal a posteriori 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.
70
Figura 6.47 Estimativa da capacidade térmica volumétrica 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.
72
6.4.2 Caso II com priori TV
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.
73
Figura 6.51 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 = 2,8*10-5
74
Figura 6.52 Capacidade térmica volumétrica 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
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.
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.
78
Figura 6.57 Estimativa da condutividade térmica 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.
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)
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.
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.
84
Figura 6.63 Estimativa da condutividade térmica.
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
BECK, J. V.; BLACKWELL, B.; ST. CLAIR, C. R. Inverse heat conduction: Ill -
posed problems. New York, NY: Wiley-Intersciencie, 1985.
88
BECK, J.V., Sequential Methods in Parameter Estimation, 3rd International
Conference on Inverse Problems in Enginnering, Tutorial Session, Port Ludlow,
WA, 1999.
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.
90
ORLANDE, H.; COLAÇO, M.; NAVEIRA COTTA, C.; GUIMARAES, G.; VALERIO
LUIZ BORGES. Problemas Inversos Em Transferência de Calor. 1st ed.
2011.
PATANKAR, S. V., Numerical Heat Transfer and Fluid Flow, Minkowycz, W.J. and
Sparrow, E.M. Editors. 1980
TAN, S., FOX, C. e NICHOLLS, G. Inverse Problems - Course Notes for Physics
707. Auckland: University of Auckland, 2006.
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
92