Resumo do Componente Curricular

Dados Gerais do Componente Curricular

Tipo do Componente Curricular:	DISCIPLINA
Tipo de Disciplina:	REGULAR
Forma de Participação:	DISCIPLINA REGULAR
Unidade Responsável:	PÓS-GRADUAÇÃO EM ENERGIA (11.01.06.31)
Código:	ENE-500D
Nome:	TÓPICOS ESPECIAIS DE ENERGIA - TRANSFERÊNCIA DE CALOR UTILIZANDO REDES NEURAIS INFORMADAS POR FÍSICA (PINNS)
Carga Horária Teórica:	48 h.
Carga Horária Prática:	0 h.
Carga Horária Estudo Individual:	96 h.
Carga Horária Dedicada do Docente:	0 h.
Carga Horária Total:	144 h.
Pré-Requisitos:
Co-Requisitos:
Equivalências:
Excluir da Avaliação Institucional:	Não
Matriculável On-Line:	Sim
Horário Flexível da Turma:	Não
Horário Flexível do Docente:	Sim
Obrigatoriedade de Nota Final:	Sim
Pode Criar Turma Sem Solicitação:	Não
Necessita de Orientador:	Não
Exige Horário:	Sim
Permite CH Compartilhada:	Não
Permite Múltiplas Aprovações:	Não
Quantidade de Avaliações:	3
Ementa/Descrição:	Modelagem e solução da equação de condução de calor, convecção e da solução de Blasius para camadas limites térmica e hidrodinâmica. Computação científica com Python. Fundamentos de Redes Neurais Artificiais. Introdução, formulação matemática e computacional de Redes Neurais Informadas pela Física (PINNs) para solução de equações diferenciais intrínsecas à transferência de calor por condução e convecção. Aplicações práticas na resolução de problemas em engenharia de energia e mecânica.
Referências:	Bibliografia Básica: [1] CAI, S. et al. Physics-informed neural networks for heat transfer problems. Journal of Heat Transfer, v. 143, n. 6, p. 060801, jun. 2021. [2] INCROPERA, F. P. et al. Fundamentals of Heat and Mass Transfer. 7. ed. New York: Wiley, 2011. [3] KAKAÇ, S.; YENER, Y.; NAVEIRA-COTTA, C. P. Heat Conduction. [s.l.]: CRC Press, 2018. [4] QUARTERONI, S.; GERVASIO, P.; REGAZZONI, F. Combining physics-based and data-driven models: advancing the frontiers of research with scientific machine learning. arXiv preprint, arXiv:2501.18708, jan. 2025. [5] RAISSI, M.; PERDIKARIS, P.; KARNIADAKIS, G. E. Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, v. 378, p. 686-707, fev. 2019. [6] WANG, Y. et al. Artificial intelligence for partial differential equations in computational mechanics: a review. Applied Mechanics Reviews, p. 1-81, nov. 2024. Bibliografia Complementar: [1] BOWMAN, B. et al. Physics-informed neural networks for the heat equation with source term under various boundary conditions. Algorithms, v. 16, n. 9, p. 428, set. 2023. [2] BUENO, V. et al. Convergence analysis of physics-informed neural networks and comparison with finite difference methods of the two-dimensional heat equation. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics, v. 11, n. 1, p. 1-7, jan. 2025. [3] ÇEVIK, M. Physics-Informed Neural Networks for Solving Differential Equations. [s.l.], 2025. [4] KORIC, S.; ABUEIDDA, D. W. Data-driven and physics-informed deep learning operators for solution of heat conduction equation with parametric heat source. International Journal of Heat and Mass Transfer, v. 203, p. 123809, abr. 2023. [5] KRISHNA, G.; NAIR, M. S.; NAIR, P. P.; LAL, A. Physics-informed neural networks approach to solve the Blasius function. In: 2023 Fifth International Conference on Electrical, Computer and Communication Technologies (ICECCT). p. 1-6, fev. 2023. [6] ÖZISIK, M. N. Boundary Value Problems of Heat Conduction. [s.l.]: Courier Corporation, 1989. [7] SHARMA, P. et al. Stiff-PDEs and physics-informed neural networks. Archives of Computational Methods in Engineering, v. 30, n. 5, p. 2929-2958, jun. 2023. [8] SHARMA, P. et al. Hyperparameter selection for physics-informed neural networks (PINNs) – application to discontinuous heat conduction problems. Numerical Heat Transfer, Part B: Fundamentals, v. 85, n. 10, p. 1304-1318, out. 2024. [9] TAO, Z. et al. Analytical and neural network approaches for solving two-dimensional nonlinear transient heat conduction. arXiv preprint, arXiv:2504.02845, mar. 2025. [10] UDDIN, S. et al. Deep learning-based PDE solver: PINN versus classical method for the 1D heat equation. The Sciencetech, v. 6, n. 4, p. 230-240, dez. 2025. [11] ZOBEIRY, N.; HUMFELD, K. D. A physics-informed machine learning approach for solving heat transfer equation in advanced manufacturing and engineering applications. Engineering Applications of Artificial Intelligence, v. 101, p. 104232, maio 2021.

SIGAA | UFABC - Superintendência de Tecnologia da Informação - ||||| | Copyright © 2006-2026 - UFRN - sigaa-2.ufabc.int.br.sigaa-2-prod v4.18.3