Aplicação de técnicas de redes neurais na simulação de escoamento de gás natural enriquecido por hidrogênio verde

Abstract

O uso de hidrogênio verde em aplicações da engenharia vem crescendo como aproveitar esse recurso sustentável para descarbonizar setores-chave da economia e alcançar metas ambiciosas de redução de emissões de carbono. Uma das áreas de implementação seria em escoamento de gás natural, onde o enriquecimento por hidrogênio verde pode melhorar a eficiência do transporte de gás natural. Aliado a isso, a simulação de Dinâmica dos Fluidos Computacional mostra-se uma ferramenta valiosa, mas demorada, para investigar essa uniformidade devido a grande demanda computacional. Para sanar essa deficiência, o Modelo de Rede Neural Profunda apresenta-se como uma solução para acelerar a previsão da uniformidade da mistura sob várias condições de trabalho devido à sua capacidade de aprendizado e generalização a partir de dados. O objetivo deste trabalho é replicar um estudo de injeção de hidrogênio verde em um duto de gás natural e analisar como redes neurais podem ser usadas para entender o comportamento dos fluxos. Serão implementadas redes neurais eficientes, seguidas de validação e avaliação da abordagem. Para a rede foram necessários alguns parâmetros para serem os dados de entrada do treinamento, como a razão de mistura de hidrogênio, velocidade do gás, temperatura, diâmetro da tubulação entre outras características. Enquanto para sua saída, para melhor saber a condição da mistura dos gases, o coeficiente de variação de hidrogênio é o resultado para qual a rede deve ser treinada. Diversas simulações foram realizadas para verificação de resultados para testar a capacidade de generalização da rede em diferentes cenários operacionais. A análise dos resultados revelou discrepâncias entre os valores previstos pela rede e os valores calculados a partir da simulação. Essas diferenças foram exploradas em detalhes, considerando a qualidade dos dados de treinamento, a sensibilidade das características dos dados de entrada e a escolha dos hiperparâmetros do modelo.