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. No entanto, devido à 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 do fluido, 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 Gradiente (GBDT) e Extreme Gradient Boosting (XGBoost).