ANÁLISE DE ALGORITMOS DE APRENDIZADO DE MÁQUINA PARA MODELAGEM DA CONVECÇÃO NATURAL DUPLO-DIFUSIVA EM CAVIDADES POROSAS QUADRADAS

A importância dos escoamentos convectivos duplo-difusivos em meios porosos saturados por um fluido newtoniano é amplamente reconhecida no campo da dinâmica dos fluidos, tanto para aplicações científicas quanto industriais. Contudo, em razão da crescente complexidade desses escoamentos não lineares, os métodos convencionais de simulação enfrentam desafios relacionados à precisão, ao tempo de computação e aos recursos exigidos. Como alternativa promissora para essas limitações, abordagens baseadas em Aprendizado de Máquina vêm ganhando destaque. Este trabalho investiga a aplicação de modelos de Aprendizado de Máquina para o estudo da convecção natural duplo-difusiva em cavidades quadradas totalmente preenchidas com fluido newtoniano. O escoamento é governado por três parâmetros adimensionais principais: número de Rayleigh térmico, número de Lewis e razão de empuxo, utilizados como variáveis de entrada. Para modelar com precisão o escoamento, são previstas duas grandezas de controle: o número médio de Nusselt e o número médio de Sherwood. Para isso, são considerados quatro modelos de Aprendizado de Máquina: Redes Neurais Artificiais (ANN), Florestas Aleatórias (RF), Árvores de Decisão com Reforço de Gradiente (GBDT) e Extreme Gradient Boosting (XGBoost). Os resultados indicam que os modelos baseados em árvores em especial Random Forest e Gradient Boosting reproduzem as grandezas de controle com elevada acurácia (R² superior a 0,99), constituindo alternativa rápida e de baixo custo computacional ao CFD tradicional.