Modelos de regressão de aprendizagem profunda em problemas inversos de transporte de partículas neutras

• Ano de defesa: 2025
• Autor(a) principal: Roman, Nelson Garcia
• Orientador(a): Konzen, Pedro Henrique de Almeida
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Método das características; Redes neurais artificiais; Problemas inversos; Transporte de partículas
• Palavras-chave em Inglês: Method of characteristics; Artificial neural networks; Inverse problems; Neutral particle transport
• Link de acesso: http://hdl.handle.net/10183/295565

O transporte de partículas neutras, como nêutrons e fótons, está presente em diversos fenômenos físicos e processos tecnológicos. Em muitas aplicações, o foco não se limita apenas à descrição da propagação dessas partículas em um meio conhecido, mas se estende à resolução de problemas inversos, que envolvem a determinação de propriedades internas do sistema, como a localização, intensidade ou espectro de uma fonte, além de coeficientes de absorção e espalhamento, a partir de medições externas. O modelo matemático fundamental para descrever esse processo é a equação linear de Boltzmann, uma equação integro-diferencial de primeira ordem que incorpora os efeitos de transporte, absorção e espalhamento, definida em uma geometria plana unidimensional, com espalhamento isotrópico, monoenergética e dependente do tempo. Neste contexto, apresentamos o método MdC-PMC para resolver problemas inversos no transporte de partículas neutras, com o objetivo de estimar o coeficiente de absorção ou os parâmetros da fonte, a partir de medições do fluxo escalar nos extremos do domínio do modelo. A proposta central é treinar redes neurais artificiais (RNAs) de tipo perceptron multicamadas (PMC) como modelo de regressão, utilizando dados gerados por soluções diretas computadas por um algoritmo baseado no método das características (MdC). O método MdC-PMC é aplicado a cinco problemas inversos: nos dois primeiros, o objetivo é estimar o coeficiente de absorção, sendo o primeiro problema em um meio homogêneo e o segundo em um meio heterogêneo. Nos três problemas subsequentes, o foco é estimar os parâmetros da fonte, incluindo um estudo sobre a redução da sensibilidade do modelo, considerando a propagação de ruído nos dados de entrada. A sensibilidade é quantificada pelo erro percentual absoluto médio (EPAM) das estimativas em relação ao nível de ruído propagado nos dados. Os resultados demonstram o potencial do método proposto, destacando a importância de uma coleta adequada de dados para mitigar a sensibilidade dos modelos. Este estudo confirma a viabilidade do uso de modelos de regressão baseados em RNA na resolução de problemas inversos de transporte de partículas neutras.