Surrogate Model for Heat Transfer Prediction in Impinging Jet Arrays using Dynamic Inlet/Outlet and Flow Rate Control

Este estudo desenvolve e valida modelos substitutos baseados em CNNs, treinados com simulações de CFD, para prever em tempo real a distribuição do número de Nusselt em arranjos de jatos de impacto com configurações dinâmicas de entrada/saída, viabilizando estratégias de controle térmico avançado.

O essencial

Imagine que você precisa resfriar uma panela de metal que está superaquecida, mas em vez de apenas jogar água fria nela, você tem um "exército" de pequenos jatos de ar. Alguns jatos sopram ar frio (entradas), outros sugam o ar quente (saídas) e alguns podem ser desligados. O segredo é que você pode mudar quem é entrada, quem é saída e a força de cada um deles, milissegundo a milissegundo, para controlar a temperatura de cada pedacinho da panela.

Esse é o conceito do Sistema de Resfriamento Ativo descrito neste artigo. Mas há um problema: simular como o ar se move e esfria essa panela é como tentar prever o tempo para os próximos 100 anos. É tão complexo e demorado que, se você fosse usar um computador comum para calcular isso em tempo real enquanto a panela esquenta, o sistema ficaria tão lento que a panela queimaria antes de você conseguir agir.

É aqui que entra a estrela da história: um "Modelo Substituto" (ou Surrogate Model).

O Que é esse Modelo Substituto?

Pense no Modelo Substituto como um gênio previsor ou um mago do clima.

1. O Treinamento (A Escola): Antes de ser usado, esse "mago" passou horas estudando milhares de simulações complexas feitas por supercomputadores (chamadas de CFD). Ele viu como o ar se comportava em diferentes configurações: "Se eu abrir o jato 1 e fechar o 2, o que acontece?"
2. O Cérebro (A Rede Neural): Para aprender tudo isso, os cientistas usaram uma Inteligência Artificial chamada Rede Neural Convolucional (CNN). Imagine que essa rede é como um olho muito esperto que consegue ver padrões. Ela não apenas olha para os números, mas entende a "geometria" do fluxo de ar, assim como você reconhece uma cara conhecida em uma multidão.
3. A Mágica (Previsão Rápida): Depois de treinado, esse modelo consegue prever onde a panela vai esfriar ou esquentar em tempo real. Em vez de levar horas para calcular, ele leva milissegundos. É a diferença entre calcular uma conta de matemática complexa à mão (CFD) e olhar para a resposta no seu celular (Modelo Substituto).

Os Dois "Brinquedos" de Teste

Os pesquisadores testaram essa ideia em dois tamanhos de sistemas:

• O "Mini" (5 jatos em linha): Como uma fileira de 5 bicos. Eles usaram 83 cenários diferentes para treinar o modelo.
• O "Grande" (3x3 jatos): Como um tabuleiro de damas com 9 bicos. Eles usaram 100 cenários.

O modelo aprendeu tão bem que, quando pediram para ele prever o resultado de uma configuração que ele nunca viu antes, ele acertou com uma precisão de 99,4% a 99,8%. É como se você mostrasse a ele um novo desenho e ele dissesse exatamente onde as sombras cairiam.

O Pulo do Gato: Previsão para o Futuro (Extrapolação)

Havia um desafio: o modelo foi treinado com dados de jatos "normais" (baixa velocidade). Mas, na vida real, às vezes precisamos de jatos superpotentes (alta velocidade).

• O Problema: Simular jatos superpotentes exigiria um computador ainda mais poderoso e demorado.
• A Solução Criativa: Os cientistas usaram uma "regra de ouro" da física (uma correlação matemática descoberta por um tal de Martin). Eles disseram ao modelo: "Ei, você já sabe como o ar se comporta em velocidade média. Se a gente aumentar a velocidade, a física diz que o resfriamento aumenta de uma forma específica. Use essa regra para 'estimar' o resultado para os jatos rápidos."
• O Resultado: Mesmo sem ter visto muitos jatos rápidos no treinamento, o modelo conseguiu prever o comportamento deles com boa precisão, apenas ajustando a "mágica" matemática.

A Prova Real (Experimento)

Para ter certeza de que não era apenas teoria de computador, eles montaram o sistema de 5 jatos no laboratório.

• Eles esquentaram uma chapa de aço com um secador de cabelo (simulando um problema de calor).
• Usaram uma câmera térmica para ver a temperatura.
• O modelo previu o que aconteceria.
• Resultado: A previsão do computador bateu muito bem com a realidade da câmera térmica. A diferença foi de apenas cerca de 6% após 2 minutos. Para um sistema tão complexo, isso é um sucesso estrondoso.

Por que isso é importante?

Imagine que você está dirigindo um carro elétrico no inverno. A bateria precisa ser resfriada ou aquecida rapidamente para funcionar bem. Com esse novo modelo, o carro poderia ter um "cérebro" que controla os jatos de ar da bateria instantaneamente, ajustando quem sopra e quem suga, para manter a temperatura perfeita, economizando energia e evitando que a bateria estrague.

Em resumo:
Os cientistas criaram um "assistente de IA" que aprendeu a controlar o resfriamento de jatos de ar. Ele é rápido, preciso e consegue prever o futuro (mesmo em condições extremas) sem precisar de supercomputadores lentos. Isso abre as portas para sistemas de controle de temperatura inteligentes em fábricas, carros e eletrônicos no futuro.

Resumo técnico

Título: Modelo Substituto para Previsão de Transferência de Calor em Arrays de Jatos Impulsionantes com Controle Dinâmico de Entrada/Saída e Vazão

1. Problema e Contexto

O gerenciamento térmico em aplicações críticas (como resfriamento de baterias de veículos elétricos, turbinas a gás e moldes de injeção) depende frequentemente de sistemas de jatos impulsionantes (impinging jets). A tecnologia desenvolvida por Lamarre e Raymond permite um controle térmico ativo e dinâmico, onde cada jato em um array pode operar independentemente como entrada, saída ou estar fechado, com vazões variáveis.

O desafio principal reside na complexidade do controle:

• O número de configurações possíveis (arranjos de entradas/saídas) cresce exponencialmente com o número de jatos (ex: um array 5x5 pode ter ~1 trilhão de arranjos).
• A avaliação do desempenho de estratégias de controle requer a previsão da distribuição do Número de Nusselt (transferência de calor) em tempo real.
• Simulações de Dinâmica dos Fluidos Computacional (CFD) de alta fidelidade são precisas, mas computacionalmente proibitivas para aplicações em tempo real, especialmente em altos números de Reynolds (Re) e com interações complexas entre jatos.

2. Metodologia

Os autores propõem o desenvolvimento de Modelos Substitutos (Surrogate Models) baseados em Redes Neurais Convolucionais (CNN) para prever a distribuição do Número de Nusselt em tempo real.

• Geração de Dados (CFD):

  • Utilizou-se o software de código aberto Lethe com uma estratégia de Simulação de Grandes Vórtices Implícita (ILES).
  • Dois sistemas foram estudados: um array 5x1 (5 jatos) e um array 3x3 (9 jatos).
  • Os dados de treinamento foram gerados para números de Reynolds de entrada Re < 2.000.
  • Foram realizadas 83 simulações para o sistema 5x1 e 100 para o sistema 3x3, utilizando amostragem Latin Hypercube (LHS) para variar vazões e estados (entrada/saída/fechado).
  • Uma análise de sensibilidade de malha confirmou a independência dos resultados com malhas de até 3,0 milhões de células.

• Arquitetura da Rede Neural (CNN):

  • Entrada: Vetores codificando o estado de cada jato (entrada = 1, saída = -1, fechado = 0) e a vazão normalizada, além de coordenadas espaciais.
  • Processamento: A rede utiliza camadas de convolução transposta para aumentar a resolução espacial (upscaling) e capturar padrões locais e interações entre jatos, seguida por camadas de convolução padrão e pooling para refinar a saída.
  • Saída: Mapas de distribuição do Número de Nusselt na superfície de impacto (resolução de 25x101 pixels para 5x1 e 75x75 para 3x3).
  • Treinamento: Otimizado com o algoritmo AdamW, utilizando validação cruzada k-fold e funções de ativação Leaky ReLU.

• Extrapolação para Altos Reynolds:

  • Para evitar o custo computacional proibitivo de simular Re até 10.000, os autores propuseram um método de extrapolação baseado na correlação de Martin.
  • A previsão em Re baixo é escalada para Re alto usando a relação: $Nu(Re_{pred}) = Nu(2000) \times (\frac{Re_{pred}}{2000})^{0.574}$.

3. Resultados Principais

• Precisão em Baixos Reynolds (Re < 2.000):

  • Os modelos substitutos alcançaram alta precisão na validação.
  • Erro Médio Normalizado (NMAE): < 2% para o modelo 5x1 e 0,6% para o modelo 3x3.
  • Erro Quadrático Médio (RMSE): 0,64 (5x1) e 0,24 (3x3).
  • O modelo 3x3 superou o 5x1 devido ao maior conjunto de dados de treinamento gerado pelas simetrias geométricas adicionais.
  • O modelo capturou com sucesso características complexas, como picos de transferência de calor e efeitos de fluxo cruzado entre jatos. Pequenas flutuações de alta frequência não foram totalmente capturadas, mas tiveram impacto mínimo na média global.

• Desempenho em Extrapolação (Re = 10.000):

  • A extrapolação para Re = 10.000 introduziu um aumento no erro (NMAE subiu de 0,016 para 0,11 no modelo 5x1), mas manteve as características principais da distribuição de calor.
  • Os autores argumentam que, em um sistema de controle em malha fechada, o sensor de temperatura real compensará esse erro de modelagem.

• Validação Experimental:

  • O modelo foi validado experimentalmente no sistema 5x1 a Re = 10.000.
  • Um experimento utilizou um pistão térmico (heat gun) para aquecer uma placa de aço, enquanto os jatos de ar resfriavam a superfície.
  • A temperatura reconstruída usando o modelo substituto apresentou uma concordância média dentro de 5,8% dos valores experimentais após 120 segundos.

4. Contribuições Chave

1. Primeiro Modelo Substituto para Arrays Dinâmicos: Desenvolvimento de um modelo capaz de lidar com configurações dinâmicas de entrada/saída/fechado, algo não abordado em estudos anteriores focados em configurações fixas.
2. Eficiência Computacional: Redução drástica do tempo de previsão, permitindo o uso em estratégias de controle baseadas em modelo (MPC) em tempo real, algo impossível com CFD direto.
3. Método de Extrapolação: Proposição de uma técnica viável para estender a aplicabilidade do modelo treinado em baixos Reynolds para regimes industriais de alto Reynolds.
4. Validação Robusta: Combinação de validação cruzada estatística, comparação com simulações CFD de alta fidelidade e validação experimental física.

5. Significado e Impacto

Este trabalho estabelece uma base fundamental para o avanço de estratégias de controle térmico ativo em aplicações industriais de ponta. Ao fornecer uma ferramenta de previsão rápida e precisa, o estudo viabiliza o desenvolvimento de controladores em malha fechada que podem ajustar dinamicamente a vazão e a configuração de jatos para otimizar o resfriamento ou aquecimento de superfícies complexas. Isso é crucial para setores como a manufatura aditiva, resfriamento de baterias de veículos elétricos e sistemas fotovoltaicos térmicos, onde o controle espacial e temporal preciso da temperatura impacta diretamente a eficiência e a vida útil dos componentes.

O código e os dados do estudo estão disponíveis publicamente, facilitando a reprodutibilidade e o desenvolvimento futuro de algoritmos de controle.