Previsão de propriedades reológicas em alta temperatura de nanossuspensões de sílica via redes neurais profundas

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Costantino, Matheus Silveira
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Tecnológica Federal do Paraná
Curitiba
Brasil
Programa de Pós-Graduação em Engenharia Mecânica e de Materiais
UTFPR
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/39385
Resumo: Machine learning enables rheological predictions even beyond the limits of conventional hightemperature instrumentation. This work investigates the impacts of adding silica nanoparticles to a Newtonian base fluid (mineral oil), with an emphasis on analyzing the rheological properties under varying temperature conditions. The incorporation of these nanoparticles leads to pronounced modifications in the fluid’s rheological behavior, which become more prominent as temperature and nanoparticle concentration increase. The study focuses on extrapolated regions where conventional instruments, such as rheometers, face measurement limitations.To this end, machine learning techniques are employed, with particular emphasis on deep learning approaches, applied to flow curve data obtained experimentally for silica nanoparticle volumetric concentrations of 0.25%, 0.5%, 1.0%, 1.5%, and 2.0%, under various thermal conditions: 4◦C, 15◦C, 50◦C, 75◦C, 100◦C, and 125◦C. The results demonstrate that the developed model exhibits high predictive capability and robustness against overfitting, indicating its effectiveness in generalizing the rheological behavior of nanofluids. Furthermore, the model can provide consistent estimates in regions not experimentally accessible, thus enhancing the utilization of laboratory data and supporting a deeper understanding of the effects of temperature and concentration on the system’s rheological response.
id UTFPR-12_3f97f8fa3fef878ec4064ec94794f44a
oai_identifier_str oai:repositorio.utfpr.edu.br:1/39385
network_acronym_str UTFPR-12
network_name_str Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
repository_id_str
spelling Previsão de propriedades reológicas em alta temperatura de nanossuspensões de sílica via redes neurais profundasHigh-temperature prevision of rheological properties of silica nanosuspensions using deep neural networksAprendizado profundo (Aprendizado do computador)NanopartículasFluidos não-newtonianosFluidos newtonianos - Efeito da temperaturaReologiaSílicaDeep learning (Machine learning)NanoparticlesNon-Newtonian fluidsNewtonian fluids - Effect of temperature onRheologySilicaCNPQ::ENGENHARIAS::ENGENHARIA MECANICA::ENGENHARIA TERMICAEngenharia MecânicaMachine learning enables rheological predictions even beyond the limits of conventional hightemperature instrumentation. This work investigates the impacts of adding silica nanoparticles to a Newtonian base fluid (mineral oil), with an emphasis on analyzing the rheological properties under varying temperature conditions. The incorporation of these nanoparticles leads to pronounced modifications in the fluid’s rheological behavior, which become more prominent as temperature and nanoparticle concentration increase. The study focuses on extrapolated regions where conventional instruments, such as rheometers, face measurement limitations.To this end, machine learning techniques are employed, with particular emphasis on deep learning approaches, applied to flow curve data obtained experimentally for silica nanoparticle volumetric concentrations of 0.25%, 0.5%, 1.0%, 1.5%, and 2.0%, under various thermal conditions: 4◦C, 15◦C, 50◦C, 75◦C, 100◦C, and 125◦C. The results demonstrate that the developed model exhibits high predictive capability and robustness against overfitting, indicating its effectiveness in generalizing the rheological behavior of nanofluids. Furthermore, the model can provide consistent estimates in regions not experimentally accessible, thus enhancing the utilization of laboratory data and supporting a deeper understanding of the effects of temperature and concentration on the system’s rheological response.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)O aprendizado de máquina amplia o alcance da reologia, permitindo explorar regiões onde os instrumentos tradicionais já não conseguem medir. No presente trabalho são investigados os impactos da adição de nanopartículas de sílica em fluido base newtoniano (óleo mineral), com ênfase na análise das propriedades reológicas sob diferentes temperaturas. A introdução das nanopartículas promove alterações significativas no comportamento do fluido, que se intensificam com a elevação da temperatura e a variação da concentração. O estudo concentra-se na análise e previsão do comportamento reológico dos nanofluidos, tanto em condições experimentais observadas quanto em faixas extrapoladas, onde a instrumentação convencional, como o reômetro, apresenta limitações de medição. Para isso, são empregadas técnicas de aprendizado de máquina, com destaque para abordagens baseadas em deep learning, aplicadas a dados de curvas de escoamento obtidos experimentalmente para concentrações volumétricas de 0,25%, 0,5%, 1,0%, 1,5% e 2,0% de nanopartículas de sílica, sob diferentes níveis de temperatura: 4◦C, 15◦C, 50◦C, 75◦C, 100◦C e 125◦C. Os resultados demonstram que o modelo desenvolvido possui elevada capacidade preditiva e apresenta robustez frente ao sobreajuste (overfitting), indicando eficácia na generalização do comportamento reológico dos nanofluidos. Além disso, observa-se que o modelo é capaz de fornecer estimativas coerentes para regiões não acessíveis experimentalmente, contribuindo para o melhor aproveitamento dos dados obtidos em laboratório e oferecendo suporte à compreensão dos efeitos da temperatura da amostra e da concentração de nanopartículas na resposta reológica do sistema.Universidade Tecnológica Federal do ParanáCuritibaBrasilPrograma de Pós-Graduação em Engenharia Mecânica e de MateriaisUTFPRFranco, Admilson Teixeirahttps://orcid.org/0000-0002-7977-6404https://lattes.cnpq.br/3561428456009236Franco, Admilson Teixeirahttps://orcid.org/0000-0002-7977-6404https://lattes.cnpq.br/3561428456009236Negrão, Cezar Otaviano Ribeirohttps://orcid.org/0000-0001-7090-2729https://lattes.cnpq.br/4344790398205987Andrade, Diogo Elias da Vinhahttps://orcid.org/0000-0002-1191-9931https://lattes.cnpq.br/5726562903368886Gotz, Joelton Deoneihttps://orcid.org/0000-0002-0985-9239https://lattes.cnpq.br/5599256996557743Costantino, Matheus Silveira2026-02-13T17:48:13Z2026-02-13T17:48:13Z2025-08-26info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfCOSTANTINO, Matheus Silveira. Previsão de propriedades reológicas em alta temperatura de nanossuspensões de sílica via redes neurais profundas. 2026. Dissertação (Mestrado em Engenharia Mecânica e de Materiais) - Universidade Tecnológica Federal do Paraná, Curitiba, 2025.http://repositorio.utfpr.edu.br/jspui/handle/1/39385porhttp://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPR2026-02-14T06:10:58Zoai:repositorio.utfpr.edu.br:1/39385Repositório InstitucionalPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestriut@utfpr.edu.br || sibi@utfpr.edu.bropendoar:2026-02-14T06:10:58Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false
dc.title.none.fl_str_mv Previsão de propriedades reológicas em alta temperatura de nanossuspensões de sílica via redes neurais profundas
High-temperature prevision of rheological properties of silica nanosuspensions using deep neural networks
title Previsão de propriedades reológicas em alta temperatura de nanossuspensões de sílica via redes neurais profundas
spellingShingle Previsão de propriedades reológicas em alta temperatura de nanossuspensões de sílica via redes neurais profundas
Costantino, Matheus Silveira
Aprendizado profundo (Aprendizado do computador)
Nanopartículas
Fluidos não-newtonianos
Fluidos newtonianos - Efeito da temperatura
Reologia
Sílica
Deep learning (Machine learning)
Nanoparticles
Non-Newtonian fluids
Newtonian fluids - Effect of temperature on
Rheology
Silica
CNPQ::ENGENHARIAS::ENGENHARIA MECANICA::ENGENHARIA TERMICA
Engenharia Mecânica
title_short Previsão de propriedades reológicas em alta temperatura de nanossuspensões de sílica via redes neurais profundas
title_full Previsão de propriedades reológicas em alta temperatura de nanossuspensões de sílica via redes neurais profundas
title_fullStr Previsão de propriedades reológicas em alta temperatura de nanossuspensões de sílica via redes neurais profundas
title_full_unstemmed Previsão de propriedades reológicas em alta temperatura de nanossuspensões de sílica via redes neurais profundas
title_sort Previsão de propriedades reológicas em alta temperatura de nanossuspensões de sílica via redes neurais profundas
author Costantino, Matheus Silveira
author_facet Costantino, Matheus Silveira
author_role author
dc.contributor.none.fl_str_mv Franco, Admilson Teixeira
https://orcid.org/0000-0002-7977-6404
https://lattes.cnpq.br/3561428456009236
Franco, Admilson Teixeira
https://orcid.org/0000-0002-7977-6404
https://lattes.cnpq.br/3561428456009236
Negrão, Cezar Otaviano Ribeiro
https://orcid.org/0000-0001-7090-2729
https://lattes.cnpq.br/4344790398205987
Andrade, Diogo Elias da Vinha
https://orcid.org/0000-0002-1191-9931
https://lattes.cnpq.br/5726562903368886
Gotz, Joelton Deonei
https://orcid.org/0000-0002-0985-9239
https://lattes.cnpq.br/5599256996557743
dc.contributor.author.fl_str_mv Costantino, Matheus Silveira
dc.subject.por.fl_str_mv Aprendizado profundo (Aprendizado do computador)
Nanopartículas
Fluidos não-newtonianos
Fluidos newtonianos - Efeito da temperatura
Reologia
Sílica
Deep learning (Machine learning)
Nanoparticles
Non-Newtonian fluids
Newtonian fluids - Effect of temperature on
Rheology
Silica
CNPQ::ENGENHARIAS::ENGENHARIA MECANICA::ENGENHARIA TERMICA
Engenharia Mecânica
topic Aprendizado profundo (Aprendizado do computador)
Nanopartículas
Fluidos não-newtonianos
Fluidos newtonianos - Efeito da temperatura
Reologia
Sílica
Deep learning (Machine learning)
Nanoparticles
Non-Newtonian fluids
Newtonian fluids - Effect of temperature on
Rheology
Silica
CNPQ::ENGENHARIAS::ENGENHARIA MECANICA::ENGENHARIA TERMICA
Engenharia Mecânica
description Machine learning enables rheological predictions even beyond the limits of conventional hightemperature instrumentation. This work investigates the impacts of adding silica nanoparticles to a Newtonian base fluid (mineral oil), with an emphasis on analyzing the rheological properties under varying temperature conditions. The incorporation of these nanoparticles leads to pronounced modifications in the fluid’s rheological behavior, which become more prominent as temperature and nanoparticle concentration increase. The study focuses on extrapolated regions where conventional instruments, such as rheometers, face measurement limitations.To this end, machine learning techniques are employed, with particular emphasis on deep learning approaches, applied to flow curve data obtained experimentally for silica nanoparticle volumetric concentrations of 0.25%, 0.5%, 1.0%, 1.5%, and 2.0%, under various thermal conditions: 4◦C, 15◦C, 50◦C, 75◦C, 100◦C, and 125◦C. The results demonstrate that the developed model exhibits high predictive capability and robustness against overfitting, indicating its effectiveness in generalizing the rheological behavior of nanofluids. Furthermore, the model can provide consistent estimates in regions not experimentally accessible, thus enhancing the utilization of laboratory data and supporting a deeper understanding of the effects of temperature and concentration on the system’s rheological response.
publishDate 2025
dc.date.none.fl_str_mv 2025-08-26
2026-02-13T17:48:13Z
2026-02-13T17:48:13Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv COSTANTINO, Matheus Silveira. Previsão de propriedades reológicas em alta temperatura de nanossuspensões de sílica via redes neurais profundas. 2026. Dissertação (Mestrado em Engenharia Mecânica e de Materiais) - Universidade Tecnológica Federal do Paraná, Curitiba, 2025.
http://repositorio.utfpr.edu.br/jspui/handle/1/39385
identifier_str_mv COSTANTINO, Matheus Silveira. Previsão de propriedades reológicas em alta temperatura de nanossuspensões de sílica via redes neurais profundas. 2026. Dissertação (Mestrado em Engenharia Mecânica e de Materiais) - Universidade Tecnológica Federal do Paraná, Curitiba, 2025.
url http://repositorio.utfpr.edu.br/jspui/handle/1/39385
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Tecnológica Federal do Paraná
Curitiba
Brasil
Programa de Pós-Graduação em Engenharia Mecânica e de Materiais
UTFPR
publisher.none.fl_str_mv Universidade Tecnológica Federal do Paraná
Curitiba
Brasil
Programa de Pós-Graduação em Engenharia Mecânica e de Materiais
UTFPR
dc.source.none.fl_str_mv reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
instname:Universidade Tecnológica Federal do Paraná (UTFPR)
instacron:UTFPR
instname_str Universidade Tecnológica Federal do Paraná (UTFPR)
instacron_str UTFPR
institution UTFPR
reponame_str Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
collection Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
repository.name.fl_str_mv Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)
repository.mail.fl_str_mv riut@utfpr.edu.br || sibi@utfpr.edu.br
_version_ 1879057228091097088