Gabriel Freguglia Barros
Título
CONTRIBUTIONS TO THE APPLICATION OF SNAPSHOT-BASED DATA-DRIVEN METHODS IN COMPUTATIONAL SCIENCE AND ENGINEERING
Resumo
O uso de métodos guiados por dados no contexto de ciência computacional e en-genharia vem ganhando destaque nas mais diversas áreas do conhecimento nos últi-mos anos. A grande disponibilidade e variabilidade de dados junto com o aperfeiçoa-mento de algoritmos de aprendizado de máquina e o desenvolvimento de hardwares com maior eficiência em aplicações em Inteligência Artificial justificam o aumento no uso desses métodos. Na presente tese de doutorado, apresentamos contribuições em métodos guiados por dados não-intrusivos baseados em snapshots. Nosso enfoque é na Decomposição em Modos Dinâmicos (DMD), método utilizado para caracter-ização de sistemas dinâmicos a partir de observações no tempo feitas por sensores espaciais. No caso de simulações numéricas, as observações são as soluções obtidas por cada passo de tempo durante toda a simulação. No entanto, a disponibilização dos dados nem sempre é feita de forma que a utilização do método seja imediata, demandando uma etapa de pré-processamento de dados. Neste trabalho, apresen-tamos o método e nossos resultados para experimentos numéricos com diferentes aplicações. Os dados para a aproximação via DMD são provenientes de simulações numéricas de correntes gravitacionais, deslocamentos de bolhas gasosas e modelos epidemiológicos. Consideramos que os dados demandam pré-processamento como descompressão, projeções de malha e/ou unificação de snapshots paralelos. Nesta tese, discutimos os resultados de reconstruções e predições temporais.
Abstract
The use of data-driven methods in the context of computational science and engineering has been gaining attention in many diverse research areas in the past years. The huge data availability and variability coupled with the improvement of machine learning algorithms and the development of efficient AI-guided hardware justify the increasing interest in these methods. In the current doctorate thesis, we present contributions in data-driven non-intrusive snapshots-based methods. We focus on the Dynamic Mode Decomposition (DMD), a method used to characterize dynamical systems from measurements in time made by spatial sensors. In the case of numerical simulations, the measurements are the solutions obtained at each time step. However, data is not always promptly available for ingestion, requiring an intermediate step of data preprocessing. In this study, we present the method and our results for numerical experiments in different applications. Data for DMD ap-proximation is generated in numerical simulations of density-driven gravity currents, bubble and epidemiological problems. We consider that data requires preprocess-ing procedures such as decompression, mesh projection and unification of parallel snapshots. In this thesis, we discuss the results of reconstructions and short-time predictions.
