Upload
vuongtuyen
View
216
Download
0
Embed Size (px)
Citation preview
i
USO DE INFERÊNCIA BAYESIANA PARA ESTIMATIVA DE PROPRIEDADES
TERMOFÍSICAS COM O MÉTODO DA SONDA LINEAR
Bernard Lamien
Dissertação de Mestrado apresentada ao
Programa de Pós-graduação em Engenharia
Mecânica, COPPE, da Universidade Federal do
Rio de Janeiro, como parte dos requisitos
necessários à obtenção do título de Mestre em
Engenharia Mecânica.
Orientador: Helcio Rangel Barreto Orlande
Rio de Janeiro
Março de 2011
ii
USO DE INFERÊNCIA BAYESIANA PARA ESTIMATIVA DE PROPRIEDADES
TERMOFÍSICAS COM O MÉTODO DA SONDA LINEAR
Bernard Lamien
DISSERTAÇÃO SUBMETIDA AO CORPO DOCENTE DO INSTITUTO ALBERTO
LUIZ COIMBRA DE PÓS-GRADUAÇÃO E PESQUISA DE ENGENHARIA
(COPPE) DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE
DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE MESTRE
EM CIÊNCIAS EM ENGENHARIA MECÂNICA.
Examinada por:
________________________________________________
Prof. Helcio Rangel Barreto Orlande, Ph.D.
________________________________________________
Prof. Carolina Palma Naveira-Cotta, D.Sc.
________________________________________________
Prof. Gilmar Guimarães, D.Sc.
________________________________________________
Prof. José Alberto Dos Reis Parise, Ph.D
RIO DE JANEIRO, RJ - BRASIL
MARÇO DE 2011
iii
Lamien, Bernard
Uso de Inferência Bayesiana para Estimativa de
Propriedades Termofísicas com o Método da Sonda
Linear / Bernard Lamien. – Rio de Janeiro: UFRJ/COPPE,
2011.
XIV, 91 p.: il.; 29,7 cm.
Orientador: Helcio Rangel Barreto Orlande
Dissertação (mestrado) – UFRJ/ COPPE/ Programa de
Engenharia Mecânica, 2011.
Referências Bibliográficas: p. 87-91.
1. Inferência Bayesiana. 2. Nanofluidos. 3. Sonda
Linear. 4. Propriedades Termofísicas. I. Orlande, Helcio
Rangel Barreto. II. Universidade Federal do Rio de
Janeiro, COPPE, Programa de Engenharia Mecânica. III.
Título.
iv
AGRADECIMENTOS
Primeiramente a Deus, por ter me dado saúde, força e vontade para a realização
deste trabalho.
Ao meu orientador, Prof. Helcio Rangel Barreto Orlande, por sua dedicação, sua
atenção e sua boa vontade na orientação deste trabalho.
A meus pais e a minha família pelo apoio e os conselhos.
Ao Prof. Abdoulaye Ouedraogo e a meu orientador por ter me oferecido a
oportunidade de fazer este Mestrado.
Aos professores do Laboratório de Transmissão e Tecnologia de Calor(LTTC)
pela simpatia e pelo apoio.
Aos amigos do LTTC com quem tive o prazer de conviver, em especial à Milena
Vilar, Wellington Bitencourt, Italo Madeira, Maycon Magalhães, Ivana Cerqueira,
Evaldiney Monteiro.
v
Resumo da Dissertação apresentada à COPPE/UFRJ como parte dos requisitos
necessários para a obtenção do grau de Mestre em Ciências (M.Sc.)
USO DE INFERÊNCIA BAYESIANA PARA ESTIMATIVA DE PROPRIEDADES
TERMOFÍSICAS COM O MÉTODO DA SONDA LINEAR
Bernard Lamien
Março/2011
Orientador: Helcio Rangel Barreto Orlande
Programa: Engenharia Mecânica
A técnica da sonda linear é umas das mais utilizadas para medir a condutividade
térmica dos nanofluidos. Neste trabalho propõe-se aplicar o método inverso de
estimativa de parâmetros à técnica da sonda linear para a identificação simultânea da
condutividade térmica e da difusividade térmica de líquidos, em particular de
nanofluidos. Um modelo matemático que leva em conta a transferência de calor na
sonda e no material ensaiado é proposto para este fim. A solução do problema direto é
obtida pelo método dos volumes finitos. É feita a análise dos coeficientes de
sensibilidade junto com a otimização do experimento para assegurar um desvio padrão
mínimo para as estimativas. Como todos os parâmetros aparecendo na formulação
matemática não são conhecidos deterministicamente, uma técnica Bayesiana é utilizada
para a solução do problema inverso. Na solução do problema inverso de estimativa de
parâmetros foram utilizadas medidas simuladas de temperatura. Foram examinados os
casos de uma sonda com capacidade térmica volumétrica alta e de uma sonda com
capacidade térmica volumétrica baixa.
vi
Abstract of Dissertation presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Master of Science (M. Sc.)
USE OF BAYESIAN INFERENCE FOR THERMOPHYSICAL PROPERTIES
ESTIMATION WITH THE TRANSIENT LINE HEAT SOURCE PROBE METHOD
Bernard Lamien
March 2011
Advisor: Helcio Rangel Barreto Orlande
Department: Mechanical Engineering
The transient line heat source probe technique is widely used for the
measurements of the thermal conductivity of nanofluids. In this work an inverse
parameter estimation technique is applied to the transient line heat source probe
technique aiming at the simultaneous estimation of liquids thermal properties,
particularly of nanofluids thermal conductivity and thermal diffusivity. A mathematical
model that accounts for the heat transfer in the probe and the surrounding material is
proposed. The direct problem is solved with the finite volume method. To ensure
minimum variance in the estimated parameters, the D-optimal approach is used,
together with the analysis of the sensitivity coefficients, for the design of the
experiment. Since several parameters appearing in the mathematical formulation are not
deterministically known, a technique within the Bayesian framework is used for the
solution of the inverse problem. Simulated temperature measurements are used in the
inverse analysis. The cases involving probes with high heat capacity and with low heat
capacity are herein examined.
vii
SUMÁRIO
1 INTRODUÇÃO ............................................................................................... 1
2 REVISÃO BIBLIOGRAFICA ....................................................................... 5
2.1 Nanofluidos ..................................................................................................... 5
2.2 A Sonda Linear ............................................................................................. 11
2.2.1 Técnica Clássica .................................................................................. 11
2.2.2 Método inverso .................................................................................... 14
2.3 Inferência Bayesiana na solução de problema de transferência de calor ...... 16
2.4 Contribuições do Trabalho ........................................................................... 20
3 PROBLEMA FÍSICO E FORMULAÇÃO MATEMATICA ................... 21
3.1 Sonda TP02 da Hukseflux ............................................................................ 21
3.2 Problema físico ............................................................................................. 22
3.3 Formulação matemática do problema físico ................................................. 23
3.4 Adimensionalização da formulação matemática do problema ..................... 26
4 PROBLEMA DIRETO ................................................................................. 28
4.1 Descrição do Problema Direto ...................................................................... 28
4.2 Método de Solução do Problema Direto- Método dos Volumes Finitos ...... 28
5 PROBLEMA INVERSO .............................................................................. 37
5.1 Inversão Estatística ....................................................................................... 37
5.2 Análise dos Coeficientes de Sensibilidade e Projeto Ótimo ......................... 39
6 RESULTADOS .............................................................................................. 42
6.1 Verificação da Solução Numérica do Problema Direto ................................ 42
6.1.1 Solução Analítica ................................................................................ 42
6.1.1.1 Solução analítica do problema no período de aquecimento ...... 43
6.1.1.2 Solução do Problema no período de resfriamento ..................... 45
6.1.1.3 Comparação da Solução analítica e da solução numérica ......... 46
6.1.2 Solução de Blackwell .......................................................................... 49
6.1.3 Solução da rotina PDEPE da plataforma MATLAB ........................... 50
viii
6.2 Estimativas de Propriedades com Medidas de Temperatura Simuladas- Sonda
com Capacidade Térmica Volumétrica Alta ........................................................ 52
6.2.1 Análise dos coeficientes de sensibilidade ........................................... 52
6.2.2 Projeto Ótimo do Experimento ........................................................... 53
6.2.3 Estimativa de parâmetros .................................................................... 56
6.2.3.1 Problema inverso de tipo 1 ........................................................ 57
6.2.3.2 Problema inverso de tipo 2 ........................................................ 61
6.3 Estimativas de Propriedades com Medidas de Temperatura Simuladas- Sonda
com Capacidade Térmica Volumétrica Baixa ...................................................... 65
6.3.1 Análise dos coeficientes de Sensibilidade ........................................... 65
6.3.2 Projeto Ótimo do Experimento ........................................................... 69
6.3.3 Estimativa de parâmetros .................................................................... 70
6.3.3.1 Problema inverso de tipo 1 ........................................................ 70
6.3.3.2 Problema inverso de tipo 2 ........................................................ 74
6.3.4 Estimativa de Parâmetros e da Posição do Sensor .............................. 77
6.3.4.1 Problema inverso de tipo 1 ........................................................ 77
6.3.4.2 Problema inverso do tipo 2 ........................................................ 81
7 CONCLUSÃO E SUGESTÕES PARA A CONTINUAÇÃO DO
TRABALHO ........................................................................................................... 85
ix
ÍNDICE DE FIGURAS
Figura 3.1: Sonda linear Hukseflux TP02 do LTTC .................................... 22
Figura 3.2: Connexões da sonda TP02 ......................................................... 22
Figura 3.3: Modelo Físico ............................................................................ 23
Figura 4.1: volume de controle ..................................................................... 28
Figura 6.1: Verificação da solução numérica ............................................... 47
Figura 6.2: Verificação da solução numérica utilizando a solução de
Blackwell e a função PDEPE ....................................................................... 51
Figura 6.3:Análise dos coeficientes de sensibilidade ................................... 53
Figura 6.4: Determinante da matriz de informação para medidas com
frequência variável ....................................................................................... 55
Figura 6.5: Efeito do tempo de aquecimento sobre o determinante da matriz
de informação ............................................................................................... 55
Figura 6.6: : Cadeia de Markov para o problema inverso do tipo 1 ............. 58
Figura 6.7: Distribuições marginais a posteriori para o problema inverso do
tipo 1 ............................................................................................................. 59
Figura 6.8: Cadeia de Markov para o problema inverso do tipo 1 - Mudando
o Estado Inicial da Cadeia de Markov .......................................................... 60
Figura 6.9: Cadeias de Markov para o problema inverso do tipo 2.............. 62
Figura 6.10 Distribuições marginais a posteriori para o problema inverso do
tipo 2 ............................................................................................................. 63
Figura 6.11: Cadeias de Markov para o problema inverso do tipo 2 -
Mudando o Estado Inicial da Cadeia de Markov ......................................... 64
Figura 6.12: Análise dos coeficientes de sensibilidade ................................ 66
Figura 6.13: efeito do tempo de aquecimento sobre o determinante da matriz
de informação ............................................................................................... 66
Figura 6.14: Cadeias de Markov para o problema inverso do tipo 1............ 67
Figura 6.15: análise dos coeficientes de sensibilidade ................................. 68
Figura 6.16: análise dos coeficientes de sensibilidade ................................. 68
Figura 6.17: efeito do tempo de aquecimento sobre o determinante da matriz
de informação ............................................................................................... 70
x
Figura 6.18: Cadeias de Markov para o problema inverso do tipo 1............ 72
Figura 6.19: Distribuições marginais a posteriori para o problema inverso do
tipo 1 ............................................................................................................. 73
Figura 6.20: Cadeias de Markov para o problema inverso do tipo 2............ 75
Figura 6.21: Distribuições marginais a posteriori para o problema inverso do
tipo 2 ............................................................................................................. 76
Figura 6.22: Cadeias de Markov para o problema inverso do tipo 1............ 79
Figura 6.23: Distribuições marginais a posteriori para o problema inverso do
tipo 1 ............................................................................................................. 80
Figura 6.24: Cadeias de Markov para o problema inverso do tipo 2............ 82
Figura 6.25: Distribuições marginais a posteriori para o problema inverso do
tipo 2 ............................................................................................................. 83
xi
ÍNDICE DE TABELAS
Tabela 6-1: Comparação das temperaturas obtidas com a solução analítica e a
solução numérica- Ponto 1 .................................................................................... 48
Tabela 6-2: Comparação das temperaturas obtidas com a solução analítica e a
solução numérica- Ponto 2 .................................................................................... 48
Tabela 6-3: Comparação das temperaturas obtidas com a solução analítica e a
solução numérica - Ponto 3 ................................................................................... 49
Tabela 6-4: Comparação das temperaturas obtidas com a solução analítica e a
solução numérica – Ponto 4 .................................................................................. 49
Tabela 6-5: Distribuições de Probabilidade a priori dos Parâmetros para a Solução
do Problema de Tipo 1 .......................................................................................... 58
Tabela 6-6: Resultados obtidos para o problema inverso do tipo 1 ...................... 60
Tabela 6-7: Resultados obtidos para o problema inverso do tipo 1- Mudando o
Estado Inicial da Cadeia Markov .......................................................................... 61
Tabela 6-8: Distribuições de Probabilidade a priori dos Parâmetros para a Solução
do Problema de Tipo 2 .......................................................................................... 62
Tabela 6-9: Resultados obtidos para o problema inverso do tipo 2 ...................... 64
Tabela 6-10: Resultados obtidos para o problema inverso do tipo 2- Mudando o
Estado Inicial da Cadeia Markov .......................................................................... 65
Tabela 6-11: Distribuições de Probabilidade a priori dos Parâmetros para a
Solução do Problema de Tipo 1 ............................................................................ 71
Tabela 6-12: Resultados obtidos para o problema inverso do tipo 1 .................... 74
Tabela 6-13: Distribuições de Probabilidade a priori dos Parâmetros para a
Solução do Problema de Tipo 2 ............................................................................ 75
Tabela 6-14: Resultados obtidos para o problema inverso do tipo 2 .................... 77
Tabela 6-15: Distribuições de Probabilidade a priori dos Parâmetros para a
Solução do Problema de Tipo 1 ............................................................................ 78
Tabela 6-16: Resultados obtidos para o problema inverso do tipo 1 .................... 81
Tabela 6-17: Distribuições de Probabilidade a priori dos Parâmetros para a
Solução do Problema de Tipo 2 ............................................................................ 82
Tabela 6-18: Resultados obtidos para o problema inverso do tipo 2 .................... 84
xii
NOMENCLATURA
LETRAS LATINAS
a coeficientes associados ao volume de controle
Bi número de Biot
pc
calor específico a pressão constante
Cs capacidade térmica volumétrica da sonda
D número de volumes de controle na região do fluido
E função integral exponencial
g(t) termo fonte de calor por unidade de volume
h coeficiente global de transferência de calor
Hs altura da sonda
I número de medidas de temperatura
L número de volumes de controle na região da célula
Iel intensidade de corrente na sonda
kf condutividade térmica do fluido
Kf* condutividade térmica adimensional do fluido
km condutividade térmica do material da célula
Km* condutividade térmica adimensional do material da célula
m coeficiente angular
fn normal ao fluido
Q potencia dissipada por unidade de comprimento da sonda
fq fluxo de calor transferido ao fluido pela sonda
P vetor dos parâmetros sendo estimados
r posição radial
xiii
R posição adimensional
Rem resistência elétrica por comprimento da sonda
Rint raio interno adimensional da célula
Rext raio externo adimensional
rext raio externo da célula
rint raio interno da célula
rs raio da sonda
t tempo
T temperatura calculada
Vs volume da sonda
Xp índice de posição do segundo sensor
y constante de Euler
Y vetor de medidas de temperaturas adimensionais
LETRAS GREGAS
αf difusividade térmica do fluido
αf* difusividade térmica adimensional do fluido
αm difusividade térmica do material da célula
αm* difusividade térmica adimensional do material da célula
β autovalor
Γ Norma das autofunções
passo de tempo adimensional
R largura do volume de controle
ρ densidade
σ desvio padrão
ϴ temperatura adimensional calculada
xiv
ϴ vetor de temperaturas adimensionais calculadas
τ tempo adimensional
ψ autofunção
ω variável randômica
SUBSCRITOS
0 tempo inicial
ex exato
f fluido
final tempo final
h período de aquecimento
m material da célula
nh período de resfriamento
s sonda
ref propriedades do material de referência
~ vetor
1
1 INTRODUÇÃO
As cargas térmicas vêm crescendo em várias áreas tais como a
microeletrônica, a indústria do petróleo, etc. Neste contexto a miniaturização dos
aparelhos (MEMS) e a nanotecnologia aparecem como uma nova revolução em
crescimento rápido. Porém, a gestão das cargas térmicas importantes nestes sistemas
aparece como um desafio e a condutividade térmica dos fluidos de transferência de
calor torna-se importante. Os fluidos de transferência de calor tradicionais tais como a
água, o etileno-glicol, o óleo de transformador possuem uma condutividade térmica
baixa (Chandrasekar e Suresh, 2009). Os metais no estado sólido têm a condutividade
térmica com três ordens de grandeza maior que a condutividade térmica dos fluidos de
transferência de calor tradicionais. Por exemplo, enquanto a água tem uma
condutividade térmica de 0.6 W/m. K, o valor para o cobre é 386 W/mK. Esta diferença
de três ordens de magnitude entre a condutividade térmica dos líquidos e dos metais
criou há mais de um século atrás a expectativa de um possível aumento das
propriedades termofísicas dos líquidos, formando-se suspensões de partículas metálicas
(Patel et al., 2003).
Seguindo essa ideia, Choi (1995) imaginou a aplicação da nanotecnologia
emergente à engenharia térmica para criar uma nova geração de fluidos com
propriedades termofísicas superiores às dos fluidos tradicionais. Essa nova classe de
fluidos é fabricada, formando suspensões de nanopartículas ou suspensões de nanotubos
com os fluidos tradicionais. O autor deu a essa nova classe de fluidos, o nome de
nanofluido. Ao contrário aos fluidos contendo partículas de tamanho da ordem do
micrômetro ou maior, os nanofluidos, devido a maior relação área por volume, podem
formar suspensões estáveis, e assim reduzir a erosão e o entupimento dos canais. Além
disso, devido ao tamanho menor das nanopartículas, elas são mais adequadas para o uso
em microssistemas (Murshed et al., 2008).
Masuda et al. (1993) foram os primeiros a publicar resultados de
caracterização de fluidos contendo partículas ultrafinas. Os resultados obtidos
mostraram que ocorrem mudanças na condutividade térmica e na viscosidade das
suspensões. Pesquisas posteriores mostraram que os nanofluidos apresentam
condutividades térmicas maiores, mesmo para baixas concentrações de partículas. Se
2
estes resultados são confirmados e consistentes, os nanofluidos tornariam-se
promissores para as aplicações em sistemas térmicos. Os nanofluidos podem ser usados
em diversas aplicações da engenharia tais como o resfriamento de equipamentos de
solda na indústria de produção e de fabricação, o resfriamento dos motores no
transporte, a melhoria das propriedades térmicas de transporte dos refrigerantes e dos
lubrificantes (Chandrasekar e Suresh, 2009). No entanto, os resultados da caracterização
dos nanofluidos, ainda são dispersos. Vários fatores como o tamanho e a forma das
partículas, a sedimentação, a temperatura, o fluido base, o pH da suspensão, etc., são
responsáveis pela discrepância dos resultados.
Umas das técnicas mais usadas na determinação da condutividade térmica
dos nanofluidos é a técnica da sonda linear. Porém, nos fundamentos dessa técnica
clássica, algumas hipóteses ideais tais como a não participação da sonda e do termopar
na transferência de calor, bem como a dimensão infinita da amostra podem constituir
um limite na sua aplicação (André et al., 2002). Por outro lado, a aplicação do método
inverso de estimativa de parâmetros à técnica do fio quente e à técnica da sonda linear,
usando modelos mais completos permitiu a estimativa de mais de um parâmetro, além
da condutividade térmica (André et al., 2002; Thomson e Orlande, 2006).
Um problema inverso pode ser entendido como o estudo das causas de um
fenômeno a partir das observações. Na área de transferência de calor, o objetivo de um
problema inverso será de determinar, por exemplo, uma fonte de calor ou as
propriedades termofísicas tais como a condutividade térmica, a emissividade, etc., a
partir de medidas de temperaturas ou de fluxo de calor. A solução de um problema
inverso passa para um passo de modelagem do fenômeno conhecido como problema
direto, que descreve como os parâmetros do modelo tornam os efeitos observáveis. Os
problemas inversos são do ponto de vista matemático, mal-postos, ou seja, as suas
soluções não satisfazem pelo menos um dos requisitos seguintes: a existência; a
unicidade; ou estabilidade (Hadamard,1923). Portanto, é necessária a imposição de
restrições para reduzir o espaço de possibilidades.
As diferentes técnicas de solução dos problemas inversos podem ser
classificadas em dois grupos:
- Os métodos não-Bayesianos
3
- A inversão estatística ou inferência Bayesiana.
A técnica de inversão estatística ou inferência Bayesiana, ao contrário dos
métodos determinísticos, conduz a uma descrição puramente probabilística da solução
do problema que fornece um quadro natural para quantificar as incertezas numa solução
de problema inverso (Jin, 2008).
O presente trabalho tem como objetivo o desenvolvimento de uma
ferramenta para a identificação das propriedades termofísicas de fluidos através do
método de inversão estatística aplicado à técnica da sonda linear. Pretende-se com essa
ferramenta estimar simultaneamente a condutividade térmica e a difusividade térmica de
fluidos, em particular de nanofluidos. As características da sonda TP02 da Hukseflux
disponível no laboratório LTTC/COPPE/UFRJ são utilizadas no estudo (TP 02, 2001).
No capítulo 2 é apresentada uma revisão bibliográfica da literatura, sobre
trabalhos realizados na determinação da condutividade térmica dos nanofluidos, bem
como, a aplicação do método inverso de estimativa de parâmetros à técnica do fio
quente e à técnica da sonda linear. Também, são apresentados trabalhos relativos à
aplicação da inferência Bayesiana em problemas inversos de transferência de calor.
No capítulo 3 aborda-se a descrição do problema físico associado à técnica
da sonda linear, considerando-se a transferência de calor nas três regiões que são: a
própria sonda, o líquido de propriedades de interesse e a célula na qual é contido o
líquido. Também, é apresentada a formulação matemática associada ao problema físico
descrito, bem como a sua adimensionalização.
No capítulo 4 aborda-se a descrição do problema direto cuja solução é
necessária para a solução do problema inverso. Além disso, é apresentado o
desenvolvimento da solução do problema direto pelo método dos volumes finitos.
No capítulo 5 é apresentada a metodologia da solução do problema inverso
por inferência Bayesiana via a construção de Cadeias de Markov através do método de
Monte Carlo usando o algoritmo de Metropolis-Hastings (Kaipio e Somersalo, 2004).
Também, são abordados os conceitos de análise dos coeficientes de sensibilidade e do
projeto ótimo de experimento, que são necessários para a acurácia da solução do
problema inverso.
4
No capítulo 6 são apresentados os resultados de verificação da solução
numérica, bem como a análise dos coeficientes de sensibilidade e a otimização do
experimento. Além disso, são apresentados os resultados das estimativas de parâmetros
termofísicos do modelo considerando num primeiro caso uma sonda com alta
capacidade térmica volumétrica de calor e num segundo caso, uma sonda com
capacidade térmica volumétrica baixa.
No capitulo 7 são apresentadas as conclusões do presente estudo, bem como
as sugestões para trabalhos futuros.
5
2 REVISÃO BIBLIOGRAFICA
2.1 Nanofluidos
Desde o trabalho pioneiro de Masuda (1993), os nanofluidos têm gerado
grande interesse na comunidade de transferência de calor. A avaliação das propriedades
termofísicas dos nanofluidos, desde então tem sido o foco de vários grupos de pesquisa
(Mintsa et al., 2009). Como a condutividade térmica é o parâmetro mais importante para
o aumento da transferência de calor, muitos experimentos nos nanofluidos foram
conduzidos na sua determinação e umas das técnicas mais usadas é a da sonda linear. A
seguir são apresentados alguns resultados da medida da condutividade térmica dos
nanofluidos com o uso da técnica do fio quente e da sonda linear. Estas duas técnicas
têm os mesmos fundamentos teóricos.
Roy et al. (2007) estudaram o efeito da fração volumétrica e da temperatura
sobre o aumento da condutividade térmica de nanofluidos de alumina. A condutividade
térmica foi medida com a sonda linear KD2 da Decagon. A duração de cada
experimento foi de dois minutos. As medidas de temperatura dos primeiros 90 segundos
permitiram assegurar a estabilidade térmica do nanofluido, e durante os últimos 30
segundos à sonda foi aquecida usando uma taxa conhecida de corrente. A célula
contendo o nanofluido foi colocada num recipiente isolado contendo água quente.
Resfriando progressivamente este conseguir-se determinar a condutividade térmica em
função da temperatura. O procedimento experimental foi validado com água na faixa de
temperatura de 5o C a 40oC que mostrou uma boa concordância com os resultados da
literatura e caíram na faixa de precisão de 5% indicada pelo fabricante. Os experimentos
foram conduzidos com nanofluidos de óxido de alumínio, adquiridos da Nanophase
technologies, California, U.S.A, com partículas de tamanho médio 47 nm. Várias
frações de volume foram preparadas por diluição. Para uma fração de volume de 6% de
nanopartículas de 2 3Al O , à temperatura ambiente, o aumento de condutividade térmica
foi de 12%. Segundo, os autores, os resultados obtidos nesta temperatura apresentou
uma boa concordância com o modelo de Hamilton-Crosser. No estudo da influência da
temperatura sobre a condutividade térmica, várias frações volumétricas foram
consideradas. Os resultados apresentados para as frações de volume
6
4%, 6% 9%e , mostraram que a condutividade térmica aumenta com o
aumento da fração volumétrica e da temperatura. O ajuste linear dos dados
experimentais mostrou que o aumento da condutividade térmica foi relativamente baixo
para à fração volumétrica 9% . Segundo os autores, isso se deve à sedimentação das
nanopartículas. Eles deduziram que para uma fração volumétrica alta é difícil manter
uma boa dispersão, apenas misturando-se ocasionalmente a suspensão.
Leong et al. (2006) estudaram o efeito da concentração, do tamanho, do tipo
de nanopartículas e da temperatura no aumento da condutividade térmica dos
nanofluidos. Os nanofluidos utilizados foram obtidos preparando-se diferentes frações
de volume (1 a 5%) de nanopartículas de óxido de titânio (15 nm) e de nanopartículas
de óxido de alumínio (80nm) em água deionizada. Também foram preparados
nanofluidos de nanopartículas metálicas, dispersando nanopartículas de alumínio
(80nm) em etileno-glicol e em óleo de transformador. Os nanofluidos foram
homogeneizados com um vibrador ultrassônico e foi adicionado um surfactante
(CTAB), para assegurar uma boa dispersão e uma boa estabilidade. A técnica utilizada
para a medição da condutividade térmica foi a do fio quente, combinada com um
sistema resfriador/aquecedor para obter as diferentes temperaturas de medição
desejadas. Os resultados experimentais obtidos mostraram um aumento considerável da
condutividade térmica com o aumento da fração volumétrica. Para a fração volumétrica
máxima de 5% de nanopartículas de 2TiO (15 nm) e de nanopartículas de 2 3Al O (80 nm)
em água deionizada, os aumentos relativos máximos para a condutividade térmica
foram de 30% e 24% respectivamente. Comparando os seus resultados para nanofluido
de 2 3Al O (80 nm) com os resultados obtidos por Eastman et al. (1997), foi observado
que os aumentos obtidos foram menores do que os desses últimos autores. Segundo
Leong et al. (2006) isso se deve à diferença do tamanho das partículas utilizadas e a
adição do surfactante. Eastman et al. (1997) usaram nanopartículas de 2 3Al O (33 nm) e
não adicionaram nenhum surfactante. No caso do nanofluido de alumínio (80 nm)
/etileno-glicol, o aumento de condutividade térmica efetiva obtido foi de 45% para uma
fração volumétrica 5% , enquanto para a mesma fração volumétrica o aumento
relativo da condutividade térmica obtido para o nanofluido de 2TiO (15 nm) /etileno-
glicol foi de 18%. O estudo da influência da temperatura sobre a condutividade térmica
efetiva dos nanofluidos mostrou um aumento relativo de condutividade térmica
7
significativo com a temperatura. Para o nanofluido de 2 3Al O (80 nm) /etileno-glicol, os
aumentos obtidos foram 9% e 12 %, respectivamente para as frações volumétricas =
0.5% e =1%. Eles notaram um aumento relativo da condutividade térmica que cresce
linearmente com a temperatura.
Karthykeyan et al. (2008) estudaram o efeito da formação de agregados na
condutividade térmica dos nanofluidos de CuO/ água e CuO/etileno-glicol. As
nanopartículas foram obtidas de uma técnica de precipitação. A caracterização por
difração de raios X (XRD) e por microscopia eletrônica de transmissão mostrou que as
partículas tinham um tamanho médio de 8 nanômetros e forma esférica. Segundo os
autores, boas estabilidades foram obtidas sem adição de surfactante, devido às pequenas
frações volumétricas (0.1% a 1%) utilizadas. Ainda segundo os autores, devido ao
pequeno tamanho das partículas, o movimento Browniano mais intenso contribuiu para
a estabilidade dos nanofluidos. O método do fio quente foi usado para a determinação
da condutividade térmica. Os aumentos relativos da condutividade térmica obtidos para
uma fração volumétrica de 1% de nanopartículas de CuO na água e no etileno-glicol
foram respectivamente de 31.6% e 54%. Segundo os autores foi o aumento mais
elevado publicado para os nanofluidos de óxido de cobre. Eles acharam que este
resultado se deve ao pequeno tamanho das partículas e à boa dispersão das mesmas.
Também foi investigado o comportamento do aumento relativo da condutividade
térmica efetiva no tempo. Os resultados obtidos para os nanofluidos de CuO (0.3%) em
água e CuO (0.8%) em água mostraram uma redução do aumento relativo da
condutividade térmica, quase se anulou depois de 14 minutos. Segundo os autores, isso
se deve à sedimentação das nanopartículas. A observação no microscópio da suspensão
de 0.1% CuO de água no tempo mostrou a formação de aglomerados no nanofluido.
Eles concluíram que o tamanho das partículas, a dispersão, a formação de aglomerados
e a fração volumétrica das mesmas tinham uma influência significativa na
condutividade térmica efetiva das suspensões.
Duangthonsuk e Wongwises (2009) investigaram experimentalmente os
efeitos da fração de volume das nanopartículas e da temperatura sobre o aumento da
condutividade térmica de óxido de titânio com a água como fluido-base. O nanofluido
utilizado foi adquirido da DEGUSSA, VP. Disp.W740x. A mistura foi composta de
água e de nanopartículas de óxido de titânio de tamanho médio de 21 nm e de
8
concentração 40 % em peso. A solução inicial foi diluída para produzir nanofluidos com
frações de volume de 0.2%, 0.6%, 1% e 2%, com um pH próximo da neutralidade. A
caracterização dos nanofluidos produzidos mostrou que as partículas tinham um
tamanho médio de 21 nm, de acordo com o fornecedor. O método do fio quente foi
usado para medir a condutividade térmica. Os resultados obtidos mostraram que o
aumento relativo da condutividade térmica cresceu com a temperatura e a fração
volumétrica. A faixa de temperatura estudada foi de 15 o
C a 35 o
C. Para as
concentrações de 0.2% a 2%, os aumentos obtidos foram de 3 a 7%, respectivamente.
Os resultados obtidos foram comparados com vários modelos teóricos da literatura, mas
nenhum deles conseguiu prever os resultados. Então, eles propuseram uma nova
correlação que envolve alguns parâmetros obtidos por ajuste linear dos dados
experimentais para a determinação da condutividade térmica dos nanofluidos de óxido
de titânio, valida para a mesma faixa de temperatura e para as mesmas frações de
volume. Os autores concluem que a condutividade térmica efetiva dos nanofluidos
aumenta com o aumento da fração volumétrica e com o aumento da temperatura. Eles
também concluem que os modelos teóricos existentes para prever a condutividade
térmica dos nanofluidos subestimam os valores experimentais deste estudo.
Chandrasekar et al. (2010) estudaram teoricamente e experimentalmente a
influência da fração de volume sobre o aumento da condutividade térmica e da
viscosidade dos nanofluidos. Nanofluidos de fração volumétrica na faixa de 0.33% a 5%
foram preparados misturando nanopartículas de óxido de alumínio de tamanho média 43
nm com a água. O nanofluido foi obtido por mistura de água e de nanopartículas de
alumina obtidas de um método de precipitação. Para manter uma boa dispersão, eles
usaram um agitador ultrassônico durante 6 horas, nenhum surfactante foi usado. A
sonda linear KD2 da Decagon foi usada para medir a condutividade térmica dos
nanofluidos. Os aumentos da condutividade térmica observados foram 1.64%, 3.28%,
3.43%, 7.52% e 9.7% correspondendo respectivamente às frações de volume 0.33%,
0.75%, 1%, 2% e 3%. Eles notaram uma variação linear do aumento da condutividade
térmica efetiva com a fração de volume. Eles também propuseram um modelo
matemático para predizer a condutividade térmica dos nanofluidos baseado no modelo
de Weber, que é geralmente utilizado para o cálculo da condutividade térmica dos
líquidos com uma precisão de 15%. Alguns parâmetros aparecendo no modelo foram
9
obtidos por ajuste linear com os dados experimentais. Segundo os autores, o modelo
proposto, obtidos encontrou uma boa concordância com os resultados experimentais.
Fonseca et al. (2007) estudaram o efeito da temperatura na condutividade
térmica e na difusividade térmica efetivas de um nanofluido. O nanofluido utilizado
continha 1% em massa de nanopartículas de óxido de alumínio ( 2 3Al O ) em água
pura. As nanopartículas tinham um tamanho médio de 20 nm, e foram adquiridas da
Nanostructured & Amorphous Materials. A fabricação do nanofluido foi feita
misturando-se as nanopartículas ao fluido-base e posteriormente o nanofluido foi
colocado num banho ultrassônico, para a homogeneização e dispersão das
nanopartículas. Os métodos utilizados foram a sonda linear (TP 02, 2001) e o método
flash (Netzsch, LFA 447/1), respectivamente, para medir a condutividade térmica e a
difusividade térmica do nanofluido estudado. Os resultados obtidos foram próximos
daqueles do fluido base, exceto para a temperatura de 45 o
C. Para esta temperatura, eles
obtiveram um aumento relativo de 10% tanto para a condutividade térmica efetiva e
para a difusividade térmica efetiva. A condutividade térmica calculada por meio da
relação ( / )eff eff effk C , usando a difusividade térmica efetiva medida pelo método
flash e o calor específico do nanofluido obtido pela lei da mistura teve uma boa
concordância com o resultado obtido com a sonda linear. Segundo os autores, os
resultados obtidos tiveram uma boa concordância com o modelo de Maxwell.
Mintsa et al. (2009) investigaram experimentalmente o efeito da fração de
volume, da temperatura e do tamanho das partículas sobre o aumento da condutividade
térmica dos nanofluidos de alumina/água e de óxido de cobre/água adquiridos da
Nanophase Technologies. A medida da condutividade térmica foi realizada com a sonda
linear KD2 da Decagon. Para variar a temperatura a amostra foi colocada numa caixa
aquecida e isolada termicamente. O procedimento experimental foi validado medindo a
condutividade térmica da água na faixa de temperatura de 20 o
C a 40 o
C. Os autores
observaram um aumento da condutividade térmica dos nanofluidos com a fração de
volume, mas eles não notaram uma diferença significativa entre o aumento da
condutividade térmica obtida para os nanofluidos contendo as nanopartículas de
tamanho médio 36 nm e 47 nm. O efeito do tamanho das partículas no aumento da
condutividade térmica tornou-se menos significativo para partículas de tamanho maior.
Comparando os seus resultados com os disponíveis na literatura, os autores mencionam
10
que os aumentos obtidos foram da mesma ordem de grandeza. Porém, estes resultados
encontraram-se dispersos. Segundo os autores essa dispersão se deve a muitos fatores,
tais como o tamanho das partículas, a forma das partículas, a formação de aglomerados
e a sedimentação das mesmas. Para eles, estes fatores foram influenciados pelas técnicas
de preparação dos nanofluidos, as técnicas de dispersão utilizadas, bem como as
técnicas e procedimentos experimentais utilizados. Variando-se a temperatura, os
autores observaram um aumento significativo da condutividade térmica com o aumento
da temperatura. Eles observaram um aumento médio de 15% para as frações
volumétricas 3.1 %, 6% e 9% para ambos nanofluidos de alumina/água e nanofluido
óxido de cobre/água na faixa de temperatura de 20 o C a 40
o C, enquanto a
condutividade térmica da água nessa mesma faixa de temperatura aumenta de 5%.
Variando-se a temperatura, a diferença entre os aumentos obtidos para os nanofluidos
contendo as partículas de 36 nm e 47 nm, se tornou mais significativa. Os autores
concluem que o aumento da condutividade térmica cresce com o aumento da fração
volumétrica. Além disso, os resultados sugerem que o aumento relativo da
condutividade térmica é mais importante em altas temperaturas, bem como com a
redução do tamanho das nanopartículas.
Buongiorno et al. (2009) relataram os resultados do International
Benchmark on Nanofluids Thermal Conductivity (INPBE) . Vários grupos de pesquisa
dos Estados Unidos, da Europa e da Ásia, participaram deste estudo, que teve por
objetivo principal gerar um banco de dados confiável das propriedades dos nanofluidos,
especialmente da condutividade térmica e comparar as propriedades medidas com
diferentes técnicas. A metodologia seguinte foi adotada:
Todos os participantes receberam as mesmas amostras com as identidades
não reveladas;
Os participantes deveriam seguir o mesmo protocolo de manipulação das
amostras;
Os resultados foram coletados, tratados e publicados para os
administradores centralizados;
As identidades das amostras foram reveladas a posteriori.
Neste estudo foram utilizados nanobarras de óxido de alumínio (1% v.,
80x10 nm) dispersos em água deionizada, nanopartículas de óxido de alumínio (1 % v.,
11
10 nm) de forma esférica disperso em PAO com surfactante, nanopartículas de óxido de
alumínio (3% v., 10 nm) de forma esférica disperso em PAO com surfactante,
nanobarras de óxido de alumínio (1% v., 80x10 nm) disperso em PAO com surfactante
e nanobarras de óxido de alumínio (3% v., 80x10 nm) disperso em PAO com
surfactante. Segundo os autores, os resultados obtidos mostraram que o aumento da
condutividade térmica efetiva dos nanofluidos estudados cresceu com o aumento da
fração de volume, com a relação área sobre volume das nanopartículas e com a
diminuição da condutividade térmica do fluido-base. Eles obtiveram para todos os
nanofluidos contendo água como fluido-base, um aumento relativo da condutividade
efetiva menor que 5%, e para os nanofluidos usando o PAO como fluido-base, o
aumento relativo menor que 10%. Segundo os autores, a lei da mistura prevê bem os
resultados obtidos no estudo e algumas diferenças sistemáticas foram observadas nos
resultados obtidos com as diferentes técnicas de medições utilizadas, mas mantendo a
mesma tendência. Eles concluíram que a dispersão dos resultados publicados na
literatura é provavelmente causada pela diferença de amostras utilizadas.
2.2 A Sonda Linear
2.2.1 Técnica Clássica
O método clássico da sonda linear tal como a técnica do fio quente, é uma
técnica transiente baseada numa fonte linear para a medição da condutividade térmica
de materiais líquidos e sólidos. Apresentam-se nesta seção os fundamentos teóricos e as
fontes de erro dessa técnica.
No método clássico desenvolvido por Blackwell (1954), supõe-se uma fonte
linear imersa em um meio infinito, isotrópico e homogêneo, com temperatura inicial
igual a To, cujas propriedades não variam com a temperatura. A transferência de calor
por condução no meio é então formulada por:
1 10, 0
T Tr parat
t r r r
(2.1)
Com as seguintes condições de contorno e inicial:
, 0oT T parar t
(2.2)
12
2 0, 0T
rk Q Cte para r tr
(2.3)
0, 0oT T r t
(2.4)
Onde α e k são a difusividade térmica e a condutividade térmica do meio,
respectivamente e Q é a potência dissipada por unidade de comprimento da fonte linear,
a qual é suposta constante. A solução da equação (2.1), sujeita às condições de contorno
(2.2) e (2.3), à condição inicial (2.4), é dada por:
4
u
o
Q eT T du
k u
(2.5)
Onde 2
4
r
t
(2.6)
Usando a função integral exponencial (Ozisik, 1993):
1( )ue
E duu
(2.7)
Sendo que
1
1
( 1)( ) ln
. !
nn
n
E yn n
(2.8)
Onde y é a constante de Euler, y = 0.5772156649 e 2
4
r
t
, substitui-se a
equação (2.8) na equação (2.5), obtendo-se:
2 32 2 2 21
ln ...4 4 4 4 4 4
o
Q r r r rT T y o
k t t t t
(2.9)
Utilizando-se a hipótese de tempos longos, isto é 2
4
rt
, são desprezados
os termos de ordem 1t em diante, de forma que a equação (2.9) torna-se:
2
ln4 4
o
Q rT T y
k t
(2.10)
13
Para uma sonda de raio r = a pode-se reescrever a equação (2.10)
2
( , ) ( , ) ln( ) ln4 4
o
Q aT a t T a t T t y
k
(2.11)
Assim, em um gráfico de T em função de ln (t), tem-se uma porção linear
cujo coeficiente angular é m =4
Q
k, para tempos longos. Logo a condutividade térmica
do meio pode ser obtida como:
4
Qk
m
(2.12)
A potencia dissipada por unidade de comprimento da sonda, Q, considerada
constante, é dada por:
2
em elQ R I
(2.13)
Onde Iel é a corrente elétrica na sonda e Rem é a resistência elétrica por
comprimento da sonda. (Souza et al., 1999, Fonseca, 2007)
Na prática, existem alguns desvios do modelo ideal resultantes dos efeitos
relacionados com o tamanho finito do fio e a sua capacidade térmica volumétrica, assim
como os efeitos relacionados com as dimensões finitas da amostra. O comprimento
finito do fio dá origem às perdas ou ganhos longitudinais de calor que causam desvios
ao suposto perfil uniforme de temperatura das isotermas concêntricas ao redor do fio.
Esta fonte de erros pode ser eliminada se a temperatura é observada perto do meio do
fio, onde o seu perfil não é perturbado. Por outro lado, a capacidade térmica volumétrica
do fio faz que certa fração da energia fique armazenada pelo próprio fio ao invés de ser
liberado à amostra instantaneamente. Em oposição ao efeito do tamanho finito do fio,
que age durante todo o período de medição, este efeito só age em tempos pequenos. Em
tempos grandes, o efeito de contorno, devido ao tamanho finito da amostra torna-se
efetivo. Esses fatores têm como consequências, os desvios do comportamento linear do
aumento de temperatura. Por outro lado, na prática, numa amostra líquida, pode ocorrer
transporte de calor por convecção, assim como transferência de massa. (Codreanu et al.,
2007)
14
2.2.2 Método inverso
No uso tradicional da técnica da sonda linear, hipóteses tais como a não-
participação da sonda e do termopar podem constituir um limite na sua aplicação.
Recentemente, a aplicação do método inverso de estimativa de parâmetros à técnica da
sonda linear e à técnica do fio quente, permitiu a estimativa de mais de um parâmetro
incluindo a condutividade térmica, e com mais precisão (Thomson e Orlande, 2006;
André et al., 2002).
Banaszkiewicz et al. (1997) propuseram um algoritmo pela determinação
simultânea da condutividade térmica e da difusividade térmica com a técnica do fio
quente. O algoritmo utilizou a solução analítica completa do modelo clássico desta
técnica para o cálculo da temperatura ao invés da sua simples formulação assintótica. O
processo de minimização foi realizado com uma rotina especializada da biblioteca da
Numerical Algorithms Group (NAG). Além disso, eles propuseram um método que
utiliza uma taxa constante de corrente. Segundo os autores, o método da taxa constante
de corrente se mostrou mais precisa do que o método da taxa de calor constante. Os
resultados de estimativa da difusividade térmica foram menos precisos do que os da
condutividade térmica.
André et al. (2002) mostraram a necessidade de usar modelos matemáticos
mais completos para a identificação das propriedades de materiais cerâmicos com a
técnica do fio quente. O modelo proposto levou em conta o calor específico da sonda, a
resistência térmica de contato entre a sonda e o material e a dimensão finita da amostra.
Uma solução analítica baseada no método do quadrupolo foi usada para a solução do
problema direto. Quanto ao problema inverso, este foi resolvido pela minimização de
uma função objetivo (mínimos quadrados) usando os algoritmos de Levenberg-
Macquardt e Nedler-Mead Simplex. Segundo os autores, os resultados de estimativa
obtidos convergiram para os mesmos valores, independentemente dos algoritmos e das
estimativas iniciais utilizadas, mostrando assim a validade do modelo e do processo de
estimativa proposto.
Thomson e Orlande (2006) aplicaram o método inverso de estimativa de
parâmetros à técnica do fio quente para a estimativa de propriedades de um material
granular. O modelo matemático proposto considerou a condução de calor transiente
15
unidimensional radial na sonda e no meio de propriedades sendo estudado, e a
resistência térmica entre o material e a sonda foi incluída. Assim, eles obtiveram um
sistema de duas equações parabólicas cuja, solução foi obtida pela técnica de
transformada integral clássica. A solução do problema inverso foi investigada pela
minimização de uma função objetivo definida pelos mínimos quadrados. Para a
eficiência da estimativa, foram feitas, uma análise da dependência linear junto com o
projeto D-Ótimo do experimento. As variáveis tais como, o tempo de aquecimento e a
duração do experimento foram escolhidos baseados no critério D-Ótimo. O algoritmo de
Levenberg-Macquardt foi usado para estimativa dos parâmetros. Segundo os autores, os
resultados obtidos para a condutividade térmica, acharam uma boa concordância com os
resultados obtidos pelo método clássico da sonda linear. Além disso, o modelo permitiu
a estimativa dos parâmetros da sonda.
Fguiri et al. (2007) aplicaram o método inverso de estimativa de parâmetros
à técnica do fio quente para a determinação das condições de contorno. O modelo
utilizado na análise levou em conta o raio da sonda e a dimensão finita da amostra. A
análise de sensibilidade mostrou que foi possível usar as medidas de temperaturas até
um tempo dado para estimar o fluxo de calor e em seguida usar essa estimativa e as
medidas de temperaturas tomadas depois deste tempo para a estimativa do coeficiente
de troca de calor. A solução do problema inverso foi obtida usando o algoritmo de
Levenberg-Marquardt. Como este método pode convergir para os mínimos locais, foi
utilizado o filtro de Kalman para a validação dos resultados. Os autores observaram uma
diferença entre o fluxo de calor aplicado à sonda e o fluxo de calor estimado e acharam
que isto se deveu à perda de calor na direção axial. O fluxo de calor estimado foi
utilizado para calcular a condutividade térmica seguindo a técnica clássica da sonda
linear.
Carvalho e Neto (1999) usaram o método de estimativa de parâmetros junto
com a técnica do fio quente para a identificação das propriedades termofísicas de novos
materiais poliméricos. O modelo considerou a condução de calor transiente,
unidimensional radial em coordenadas cilíndricas com uma fonte de calor transiente ao
longo do eixo, de raio nulo. Além disso, foi considerada a troca de calor com o
ambiente. O problema direto foi resolvido pelo método das diferenças finitas com uma
forma explícita. Com o objetivo de estimar um número reduzido de parâmetros, o
coeficiente de troca de calor e a fonte de calor foram assumidos bem conhecidos.
16
Assim, o objetivo do problema inverso foi de estimar simultaneamente a condutividade
térmica e o calor específico dos materiais poliméricos testados. Foram utilizadas
medidas de temperatura disponíveis de experimentos anteriores conduzidos nestes
mesmos materiais, com a técnica clássica. Os autores concluíram que os resultados
obtidos são coerentes com os valores disponíveis da literatura e de seus próprios estudos
anteriores. No entanto, eles se propõem nos trabalhos futuros utilizar toda a história
transiente do sensor de temperatura e levar em conta a resistência térmica de contato
entre o fio e o material de propriedades desconhecidas. Além disso, usar o conceito de
projeto ótimo para a minimização da região de confiança dos parâmetros a serem
estimados.
Sassi et al. (2009) aplicaram o método inverso de estimativa de parâmetros a
técnica do fio quente através a minimização de uma função objetivo(mínimos
quadrados) para a determinação da difusividade térmica. Foram utilizados os algoritmos
de minimização de Gauss e de Levenberg-Marquardt. O modelo considerou as histórias
transientes de três sensores de temperatura em posições radiais diferentes. Foi assumida
a condução de calor unidimensional radial, com condições de contorno estabelecidas
pelas medidas dois sensores utilizados, as do terceiro servindo para a estimativa da
difusividade térmica. O modelo do estudo não considerou as medidas de temperatura do
fio quente. Segundo os autores, este procedimento tem a vantagem de obter uma
estimativa da difusividade que não seja dependente da dimensão e da forma do fluxo de
calor aplicado à resistência elétrica, além de não ser dependente das perdas de calor para
o ambiente. O proposto procedimento foi aplicado à estimativa da difusividade térmica
de um tubo cilíndrico de aço cheio de carvão ativado. Segundo os autores, bons
resultados de estimativas foram obtidos.
2.3 Inferência Bayesiana na solução de problema de
transferência de calor
Nesta parte são apresentados alguns trabalhos relativos à aplicação da
inferência Bayesiana através o método da Cadeia de Markov Monte Carlo na solução de
problema inverso de transferência de calor.
17
Parthasarathy e Balaji (2008) investigaram o efeito da informação à priori e
dos ruídos de medição na solução do problema inverso de estimativa de parâmetros em
condução de calor usando a inferência Bayesiana. Foram investigados modelos de
transferência de calor bidimensionais transientes com condições de contorno
convectivos e convectivo-radiativos, respectivamente. A solução do problema direto foi
obtida por meio do método das diferenças finitas para o problema com condições de
contorno convectivas e usando um pacote comercial de elementos finitos para o
problema com condições de contorno convectivo-radiativas. Para a solução do problema
inverso, foi utilizada a técnica de inversão estatística através o método de amostragem
MCMC-Metropolis-Hastings. Ambas, as técnicas da média a posteriori e do máximo a
posteriori foram utilizados para as estimativas dos parâmetros. Foi investigada a
influência dos níveis de erros experimentais 0.1 K, 0.5 K e 1K na temperatura, além da
influência das distribuições a priori normal, uniforme e log normal, todas escolhidas
como não-informativas. Segundo os autores, os resultados obtidos no caso da estimativa
de um único parâmetro foram independentes dos níveis de erro e das distribuições de
probabilidade a priori utilizadas. Uma sensibilidade das estimativas à escolha da
distribuição a priori foi observada no caso da estimativa simultânea de dois parâmetros
em ambiente poluído. Eles comentaram que, a baixa precisão do algoritmo neste caso
poderia ser causada pelo maior nível de erro utilizado para a geração das medidas
simuladas ou pela existência de alguma correlação entre os parâmetros sendo estimados.
No caso da estimativa simultânea de três parâmetros, foram escolhidas distribuições a
priori uniformes para todos os parâmetros. Neste caso, a solução do problema inverso
mostrou-se instável, devido à alta correlação entre o coeficiente de troca de calor e a
emissividade. Porém, o uso de uma distribuição a priori informativa para a emissividade
térmica permitiu obter-se uma boa estimativa dos parâmetros. Eles concluíram que o
uso de uma distribuição a priori não-informativa na inferência Bayesiana pode conduzir
a uma solução instável, quando existe uma forte correlação entre os parâmetros.
Mota et al. (2009) usaram a inferência Bayesiana através da técnica de
amostragem do método de Monte Carlo com Cadeia de Markov através do algoritmo de
Metropolis-Hastings (MCMC-M-H) para a estimativa simultânea de um fluxo de calor
transiente e de propriedades termofísicas em função da temperatura. Baseado nos seus
próprios resultados experimentais e das informações fornecidas pelo fabricante do
material do estudo foi assumido uma forma exponencial para as propriedades
18
termofísicas. Os parâmetros aparecendo nessas funções foram estimados pelo método
dos mínimos quadrados. A fonte de calor foi parametrizada, na forma de uma
combinação linear de pesos para uma função base de degrau unitário. Assim, o
problema inicial de estimativa de funções tornou-se um problema de estimativa de
parâmetros com o objetivo de estimar os pesos e os parâmetros aparecendo na forma
funcional das propriedades térmicas. As distribuições a priori dos parâmetros
aparecendo na forma funcional das propriedades termofísicas foram assumidas
gaussianas, com médias e covariâncias das estimativas obtidas por mínimos quadrados.
O fluxo de calor foi modelado como um processo de Markov com ruídos gaussianos e
media zero. Foram utilizadas medidas experimentais simuladas para a validação da
solução do problema inverso. Além disso, dados experimentais reais obtidos no
aquecimento de uma amostra de grafite cilíndrica com um maçarico de oxiacetileno
foram usados na solução do problema inverso. Segundo os autores, bons resultados
foram obtidos, isto se observou através a pequena magnitude dos resíduos.
Orlande et al. (2008) usaram a técnica de amostragem através das Cadeias de
Markov com metodo de Monte-Carlo, baseado no algoritmo de Metropolis-Hastings,
para a estimativa simulada das componentes da condutividade térmica de sólidos
ortotrópicos. A solução do problema direto foi obtida pelo método de transformada
integral clássica. As variáveis experimentais usadas na simulação foram aquelas do
trabalho de Meijias et al. (2003). Foram assumidas distribuições a priori uniformes para
todas as três componentes de condutividade térmica, de maneira a cobrir-se uma grande
variedade de materiais da engenharia. Eles obtiveram bons resultados e a solução do
problema inverso se mostrou estável para os níveis de erros examinados.
Wang e Zabaras (2004) apresentaram uma abordagem de inferência
Bayesiana para a solução de problemas inversos estocásticos em condução de calor, em
particular na reconstrução de termo-fontes e fluxo de calor dependente do tempo e do
espaço. A função a ser estimada foi discretizada numa base de elementos finitos. Em
seguida, o campo randômico de Markov foi assumido como distribuição a priori para os
pesos, que constituem os parâmetros desconhecidos a serem estimados. Na formulação
da distribuição a posteriori de probabilidade, eles utilizaram um modelo Bayesiano
hierárquico considerando o desvio-padrão das medidas de temperatura e o parâmetro de
regularização como variáveis randômicas com distribuição a priori gama e inversa-
gama, respectivamente. Para explorar a distribuição de probabilidade a posteriori, foi
19
utilizado o método de simulação MCMC com uma combinação da técnica de
amostragem de Metropolis-Hastings e da técnica de amostragem de Gibbs. O algoritmo
proposto foi testado com sucesso em exemplos numéricos de reconstrução de fluxo de
calor unidimensional transiente e de uma fonte de calor bidimensional transiente.
Naveira-Cotta et al. (2010) usaram o método de simulação de MCMC-
Metropolis-Hastings para a solução de um problema inverso de transferência de calor
unidimensional em meio heterogêneo. O foco principal do trabalho foi desenvolver uma
ferramenta para a estimativa simultânea de condutividade térmica e de capacidade
térmica volumétrica espacialmente variável. A solução do problema direto foi obtida
através da Técnica de Transformada Integral Generalizada (GITT). A expansão das
propriedades termofísicas em termos de autofunções mostrou-se uma perspectiva
interessante para o tratamento analítico de alguns termos aparecendo na solução do
problema direto. O experimento consistiu em duas placas de baquelite aquecidas
parcialmente por uma resistência elétrica presa entre elas. A simetria do problema foi
verificada e a distribuição de temperatura numas das placas foi então medida com uma
câmera infravermelha. A solução do problema inverso foi investigada no campo
transformado, o que permitiu uma redução considerável do número de medidas de
temperatura a ser tratado. O número de parâmetros a ser estimado ficou dependente da
ordem de truncamento da expansão em autofunções das propriedades termofísicas, dos
coeficientes de troca de calor efetivo e do filtro utilizado para facilitar a convergência
dos problemas de autovalores associados. Dois tipos de problema inverso foram
definidos dependendo do filtro utilizado, constante ou linear. Nos dois casos, foram
assumidas informações a priori Gaussianas com média conhecida do método flash para
as propriedades termofísicas e de correlações de convecção natural e de radiação
linearizada para os coeficientes de troca de calor efetivos. Foram assumidas
distribuições a priori uniformes para os outros parâmetros. Os resultados obtidos nos
dois casos foram consistentes. No entanto, os resíduos foram da ordem de 6 oC no
regime permanente. Segundo os autores, essa diferença se deve ao fato que o modelo
não levou em conta a variação do coeficiente de transferência de calor por convecção
com o tempo. Um terceiro caso foi então investigado usando as medidas do transiente e
um filtro linear para as funções desconhecidas. Neste caso, os resíduos máximos
observados foram da ordem de 3 o
C. Por outro lado, este último caso confirmou a
distribuição uniforme das propriedades.
20
Fudym et al. (2008) aplicaram a técnica de inferência Bayesiana via cadeia
de Markov e método de Monte Carlo, com algoritmo de Metropolis-Hastings para a
identificação de propriedades termofísicas espacialmente variáveis. O problema físico
considerou a transferência de calor unidimensional numa placa composta de dois
materiais inicialmente aquecida aleatoriamente e isolada nos contornos. Eles assumiram
disponíveis medidas de temperatura de uma câmera infravermelha. Para contornar a
dificuldade de se resolver o problema inverso em estudo causado pelo alto fluxo de
medidas de temperatura e de parâmetros a serem estimados, o problema inicial foi
reescrito numa forma não conservativa a fim de se aplicar a estratégia nodal. A
aplicação da estratégia nodal permitiu de transformar o problema não-linear de
estimativa de parâmetros inicial em um problema linear de estimativa de parâmetros.
Para a solução do problema inverso a placa foi discretizada em oitenta nós interiores nos
quais os parâmetros foram estimados. Foi utilizada uma distribuição a priori de campo
de Markov para a difusividade térmica e Gaussiana. Nos casos investigados, foi
assumida uma função degrau simples e uma função degrau com nove descontinuidades
para a difusividade térmica. Para os casos estudados a técnica se mostrou superior às
técnicas de máxima verossimilhança e do máximo da distribuição posteriori.
2.4 Contribuições do Trabalho
Com o objetivo de obter estimativas mais acuradas das propriedades dos
fluidos, um modelo mais completo é proposto para a técnica da sonda linear. O método
de simulação Monte Carlo com cadeia de Markov é aplicado aqui pela primeira vez à
técnica da sonda linear para a solução do problema inverso. O uso deste método no
estudo presente visa uma caracterização mais acurada e simultânea da condutividade e
da difusividade térmica dos fluidos levando em conta as incertezas dos demais
parâmetros do modelo.
Outra importante contribuição do trabalho presente é o fato de se levar em
conta as incertezas sobre a posição do sensor utilizado junto com a sonda, possibilitado
pelo uso da técnica de inferência Bayesiana através o método de Monte Carlo com
cadeia de Markov.
21
3 PROBLEMA FÍSICO E FORMULAÇÃO MATEMÁTICA
Antes da descrição do problema físico e de sua formulação matemática é
feita a descrição da sonda que será utilizada no estudo.
3.1 Sonda TP02 da Hukseflux
A sonda TP-02 do LTTC é apresentada na figura 3.1. Ela consiste de um
tubo (agulha) de aço-inoxidável com 150 mm de comprimento e 1.5 mm de diâmetro
externo, conectado a uma base também de aço-inoxidável, com 50 mm de comprimento
e 10 mm de diâmetro externo. Na agulha (ver figura 3.2) encontram-se o fio de
resistência de aquecimento feito de platina, assim como dois termopares tipo K ligados
de modo a prover a diferença de temperatura entre a sonda e o meio. Tal diferença de
temperaturas é usada no cálculo da condutividade térmica com as equações (3.12) e
(3.13). Na base encontra-se um sensor de temperatura PT-1000 para a medição da
temperatura da junta fria dos termopares, e que pode ser usado para a medição da
temperatura real da sonda e do meio.
Da base da sonda sai o cabo de conexão dos sensores de temperatura e da
resistência elétrica. A sonda TP02 é indicada para a identificação da condutividade
térmica de materiais granulares, solos, pastas, fluidos viscosos, etc., com condutividade
térmica entre 0.1e 6 W/mK. A sonda deve ser imersa no meio de modo que o mesmo
envolva completamente sua região aquecida. O raio do meio deve ser de pelo menos 40
mm A tensão aplicada deve ser de no máximo 3 V e a incerteza esperada nas medições
é de ± (3%+0.02) W/mK. No caso da sonda do LTTC, a resistência elétrica por unidade
de comprimento da sonda é de 75.72 Ω/m.
22
Figura 3.1: Sonda Linear Hukseflux TP02 do LTTC
Figura 3.2: Connexões da Sonda TP02
3.2 Problema físico
O problema físico analisado aqui consiste em um cilindro longo (a sonda) de
raio rs, que é inserido no fluido de propriedades desconhecidas, contido em uma célula
cilíndrica. Gradientes de temperatura são desprezados na sonda de modo que a mesma é
formulada em termos de parâmetros concentrados. O fluido no interior da célula é
considerado como um cilindro oco de raio interno rs e de raio externo rint (raio interno
da célula). A célula de raio externo rext é suposta colocada em um banho isotérmico. No
instante inicial, sonda, célula e fluido são considerados em equilíbrio térmico com o
banho a uma temperatura T0. Para tempos t > 0, a sonda é aquecida com uma fonte de
calor transiente g(t) e ocorre uma troca de calor da célula com o banho, modelada
através de um coeficiente global de transferência de calor h. Desprezando a condução de
calor na direção axial, o problema físico pode ser formulado como unidimensional.
23
Figura 3.3: Modelo Físico
3.3 Formulação matemática do problema físico
Condução de calor no interior da sonda
Aplicando-se a lei de conservação da energia à sonda utilizando-se a
hipótese de parâmetros concentrados, obtêm-se:
( ) 2s
s
s s p s s s f
dTV c V g t r H q
dt (3.1)
2( )
s
s s fs
s p
s
r H qdTc g t
dt V
(3.2)
Onde 2
s s sV r H (3.3)
Os símbolos Vs e Hs se referem respectivamente ao volume e à altura da sonda.
Substituindo (3.3) em (3.2), tem-se:
2( )
s
fs
s p
s
qdTc g t
dt r (3.4)
24
Aplicando a condição de continuidade do fluxo na interface entre a sonda e o
fluido, foi determinado o fluxo de calor transferido ao fluido.
0f
f f
f
Tq k
n
(3.5)
f
f f
Tq k
r
(3.6)
Substituindo (3.6) em (3.5), obtem-se:
2( )( ) , 0
s
s
f fs
s p
s r r
k TdT tc g t t
dt r r
(3.7)
Condução de calor no fluido
A equação de condução de calor no domínio do fluido é dada por:
int
1 1f f
s
f
T Tr r r r
t r r r
(3.8)
Continuidade da temperatura na interface sonda-fluido
( , ) ( ) , , 0f s sT r t T t r r t (3.9)
Continuidade da temperatura na interface fluido-célula
int( , ) ( , ) , , 0f mT r t T r t r r t (3.10)
Condução de calor na célula
No domínio da célula que envolve o fluido, a equação de condução de calor é
escrita como:
int
1 1, , 0m m
ext
m
T Tr em r r r t
t r r r
(3.11)
Continuidade do fluxo na interface fluido-célula
int
( , )( , ), , 0
fm
m f
T r tT r tk k em r r t
r r
(3.12)
25
Troca de calor na superfície da célula
0
( , )( , ) , , 0m
m m ext
T r tk hT r t hT em r r t
r
(3.13)
Os três meios foram considerados em equilibro térmico a t = 0, então temos
a seguinte condição inicial:
0( ) ( , ) ( , ) , , 0s m f s extT t T r t T r t T r r r t (3.14)
Resumindo as equações (3.7) à (3.14), formam o seguinte sistema misto de
equações diferenciais acopladas:
2( ) , 0
s
f fs
s p
s
k TdTc g t para t
dt r r
(3.7)
int
1 1, 0
f f
s
f
T Tr r r r para t
t r r r
(3.8)
int
1 1, 0m m
ext
m
T Tr em r r r para t
t r r r
(3.9)
( ) ( , ), , 0s f sT t T r t em r r t (3.10)
int( , ) ( , ) , , 0m fT r t T r t em r r t (3.11)
int
( , )( , ), , 0
fm
m f
T r tT r tk k r r t
r r
(3.12)
0
( , )( , ) , , 0m
m m ext
T r tk hT r t hT em r r t
r
(3.13)
0( ) ( , ) ( , ) , , 0s m f s extT t T r t T r t T r r r t (3.14)
26
3.4 Adimensionalização da formulação matemática do
problema
;s
rR
r (3.15)
2;
ref
ref s
k t
C r (3.16)
* ;ref
(3.17)
* ;ref
kK
k (3.18)
* s
s
ref
CC
C (3.19)
s
ref
h rBi
k (3.20)
0( , )( , ) ;
ref
T r t TR
T
(3.21)
2( ) s
ref
ref
g t ronde T
k (3.22)
ss s pC c (3.23)
ref
ref
ref
k
C (3.24)
Usando as variáveis adimensionais acima definidas na formulação
matemática do problema direto dada pelas equações (3.7) a (3.14), temos na forma
adimensional o seguinte sistema de equações diferenciais acopladas:
27
* *
1
( , )( )1 2 , 0
fs
s f
R
RdC K para
d R
(3.25)
int*
( , ) ( , )1 1, 1 R , 0
f f
f
R RR em R para
R R R
(3.26)
int*
( , ) ( , )1 1, R R , 0m m
ext
m
R RR em R para
R R R
(3.27)
( ) ( , ) 1, 0s f R em R (3.28)
int( , ) ( , ) , 0f mR R em R R (3.29)
* *
int
( , ) ( , ), 0
f m
f m
R RK K em R R
R R
(3.30)
*
e
( , )( , ) 0 R , 0m
m m xt
RK Bi R em R
R
(3.31)
( ) ( , ) ( , ) 0 1 , 0s f m extR R em R R (3.32)
Na técnica clássica da sonda linear só as medidas do tempo de aquecimento
são utilizadas para a determinação da condutividade. Baseado nas conclusões do
trabalho de Thomson (2006) pretende-se investigar o uso de medidas de temperatura
após o desligamento da fonte de calor na solução do problema inverso. Então, foi
definida uma formulação matemática correspondente ao período de resfriamento. A
formulação matemática do problema do período de resfriamento fica basicamente a
mesma, só mudando a condição inicial, e o termo-fonte que é nulo. A condição inicial
do período de resfriamento corresponde à distribuição de temperatura no tempo final do
período do aquecimento.
28
4 PROBLEMA DIRETO
4.1 Descrição do Problema Direto
Quando a geometria, as propriedades físicas, a condição inicial e as
condições de contorno são conhecidas, tem-se o Problema Direto em Condução de
Calor, cuja solução fornece o campo de temperaturas em todo o domínio temporal e
espacial. Desta forma, o objetivo do Problema Direto é a determinação da distribuição
de temperatura em todo o domínio temporal e espacial da região que será estudada, ou
seja, a solução do problema dado pelas equações (3.25) a (3.32).
4.2 Método de Solução do Problema Direto- Método dos
Volumes Finitos
O Problema Direto dado pelas equações (3.23) a (3.32), conforme
apresentado acima, pode ser resolvido por métodos numéricos. A técnica dos volumes
finitos foi escolhida para a solução do problema direto. No método dos volumes finitos
as equações aproximadas são obtidas através de balanços de conservação das
propriedades para cada volume elementar. (Patankar, 1980; Maliska, 2004). A malha
apresentada na figura 4.1 foi adotada para a discretização.
Figura 4.1: Volume de Controle
29
A discretização da equação de condução de calor na sonda foi feita como
segue:
Discretizando-se a fonte da equação (3.25) vem:
2 1
1
( , )2*
f ff
fR
R
R R
(4.1)
Usando a continuidade da temperatura na interface sonda-fluido e
discretizando a derivada total com o método de Euler:
2
0* *1 4
f ss ss f
f
C KR
(4.2)
Que re-arranjada resulta em:
1 2
0 0 1s s f f s sa a a (4.3)
Onde
1
*4f
f
f
Ka
R
(4.4.a)
*0 ss
Ca
(4.4.b)
2
0s f sa a a (4.4.c)
Com o objetivo de obter uma equação geral discreta das equações que
governam a condução de calor no fluido e na célula, são omitidos abaixo os subscritos
„f‟ e „m‟. Considerando o volume de controle unidimensional apresentado na figura 4.1
e integrando-se a equação de condução de calor unidimensional, radial (equação (3.26)
ou (3.27), sem os subscritos) no volume de controle V e no intervalo de tempo τ a τ +∆τ
obtém-se (Patankar, 1980):
*
1 1
VC VC
dVd R dVdR R R
(4.5)
30
Reescrevendo a equação (4.5), com as fronteiras interior e superior do
volume de controle definidas respectivamente por i+1/2 e i-1/2 quem são limites de
integração no espaço tem-se:
1/2 1/2
*
1/2 1/2
( )
i i
i i
RdR d R dR d
R R
(4.6)
Considerando-se que a temperatura no interior do volume de controle é
uniforme e prevalece sobre tudo o volume de controle, assim como o valor da derivada
da temperatura com relação ao tempo, a integral do lado esquerdo da equação (4.6) pode
ser escrita como:
1/2 1/2
* *
1/2 1/2
1i i
i i
RdR d R d dR
(4.7)
Integrando a equação (4.7) com relação a R, tem-se:
1/2
2 2
1/2 1/2* *
1/2
1 1
2
if i
i i
i
R d dR R R d
(4.8)
Fatorando e integrando no tempo, obtem-se:
1/2
0
1/2 1/2 1/2 1/2* *
1/2
1 1
2
if
i i i i i i
i
R d dR R R R R
(4.9)
Conforme as malhas utilizadas, têm-se as seguintes relações:
1/2 1/2i iR R R (4.10)
1/2 1/2
2
i i
i
R RR
(4.11)
Usando as equações (4.10) e (4.11) em (4.9), vem:
1/2
0
* *
1/2
if i
i i
i
RRdR d R
(4.12)
Onde o sobrescrito „‟0‟‟ refere-se à temperatura no tempo τ e as temperaturas no tempo
τ+Δτ não possuem sobescritos.
31
Substituindo o resultado obtido em (4.12) e efetuando a integração espacial
do lado direito da equação (4.6), obtem-se:
0
*
1/2 1/2
i
i i
i i
RR R R d
R R
(4.13)
Adotando uma formulação implícita, a equação (4.13) torna-se:
0
1/2 1/2*
1/2 1/2
i
i i i i
i i
RR R R
R R
(4.14)
A equação (4.14) acima definida é valida para todos os volumes de controle
do domínio estudado. Foram utilizadas malhas diferentes para as regiões do fluido e da
célula. A discretização da equação dos volumes de controle internos da região do fluido
foi feita da maneira seguinte:
Aproximando-se por diferenças finitas centradas de segunda ordem os
termos difusivos da equação (4.14)
1
1/2
i if ff
fiR R
(4.15)
1
1/2
i if ff
fiR R
(4.16)
Substituindo (4.15) e (4.16) em (4.14), tem-se:
1 101/2 1/2*
i i i i
i i
f f f fif f f i i
f ff
RR R R
R R
(4.17)
Que é re-arranjada da seguinte forma:
1 1 1 1
0 0
i i i i i i i if f f f f f f fa a a a
(4.18)
Onde
1
1/2
i
if
i
Ra
R
(4.19.a)
32
1
1/2
i
if
i
Ra
R
(4.19.b)
2
0
*i
f
f
f
Ra
(4.19.c)
1 1
0
i i i if f f fa a a a
(4.19.d)
Para a discretização das equações dos volumes de controle nas interfaces
da região do fluido, os fluxos nas interfaces num meio volume de controle.
Para o volume de controle da interface sonda-fluido, tem-se:
1
1/2
i if ff
fiR R
(4.20)
e
1
1/2
2 i if ff
fiR R
(4.21)
Substituindo (4.20) e (4.21) na equação (4.14) e depois re-arranjando tem-se:
1 1 1 1
0 0
i i i i i i i if f f f f f f fa a a a
(4.22)
Onde
1
1/2
i
if
i
Ra
R
(4.23.a)
1
1/22i
if
i
Ra
R
(4.23.b)
2
0
*i
f
f
f
Ra
(4.23.c)
1 1
0
i i i if f f fa a a a
(4.23.d)
33
Da mesma maneira, pelo volume de controle da interface fluido-célula, o
fluxo na interface fluido-célula é aproximado por diferenças finitas centradas de
segunda ordem em um meio volume de controle.
1
1/2
2 i if ff
fiR R
(4.24)
1
1/2
i if ff
fiR R
(4.25)
Substituindo (4.24) e (4.25) na equação (4.14) e depois re-arranjando, obtem-se:
1 1 1 1
0 0
i i i i i i i if f f f f f f fa a a a
(4.26)
Onde
1
1/22i
if
i
Ra
R
(4.27.a)
1
1/2
i
if
i
Ra
R
(4.27.b)
2
0
*i
f
f
f
Ra
(4.27.c)
1 1
0
i i i if f f fa a a a
(4.27.d)
As derivadas da equação de continuidade do fluxo na interface entre as
regiões do fluido e da célula dada pela equação (3.30) foram aproximadas por
diferenças finitas avançadas e atrasadas de segunda ordem, isto é:
2 12 D Df ff
fR R
(4.28)
3 22 D Dm mm
mR R
(4.29)
Da equação de continuidade da temperatura dada pela equação (3.29)
34
2 2 2D D Df m I (4.30)
Substituindo as equações (4.28), (4.29) e usando a equação (4.30) em (3.29), vem:
3 22 1* * D DD D m II f
f m
f m
K KR R
(4.31)
Que é re-arranjanda na seguinte forma:
2 2 1 1 3 3D D D D D DI I f f m ma a a (4.32)
Onde
1
*
D
f
f
f
Ka
R
(4.33.a)
3
*
D
mm
m
Ka
R
(4.33.b)
2 3 1D D DI m fa a a (4.33.c)
Discretizando a equação geral (4.14) com o sub-escrito „‟m‟‟, temos pela
região do material a seguinte equação:
1 101/2 1/2*
i i i i
i i
m m m mim m m i i
m mm
RR R R
R R
(4.34)
Que é re-arranjada na seguinte forma:
1 1 1 1
0 0
i i i i i i i im m m m m m m ma a a a
(4.35)
Onde
1
1/2
i
im
i
Ra
R
(4.36.a)
1
1/2
i
im
i
Ra
R
(4.36.b)
35
20
* *i
mm
m
Ra
(4.36.c)
1 1
0
i i i im m m ma a a a
(4.36.d)
Para o volume de controle da interface fluido-célula (na região da célula),
aproximou-se o fluxo na interface em um meio volume de controle.
1
1/2
i im mm
miR R
(4.37)
1
1/2
2 i im mm
miR R
(4.38)
Substituindo (4.37) e (4.38) na equação (4.14), e depois re-arranjando, tem-se:
1 1 1 1
0 0
i i i i i i i im m m m m m m ma a a a
(4.39)
Onde
1
1/2
i
im
i
Ra
R
(4.40.a)
1
1/22i
im
i
Ra
R
(4.40.b)
0
*i
mm
m
Ra
(4.40.c)
1
0
i i im m ma a a
(4.40.d)
Para o volume de controle da interface célula-meio exterior, o fluxo na
interface foi obtido da condição de contorno. Os fluxos nas fronteiras deste volume
foram aproximados da seguinte maneira:
*1/2
mm
i m
Bi
R K
(4.41)
36
1
1/2
i im mm
miR R
(4.42)
Substituindo (4.41) e (4.42) na equação (4.14), vem:
1 1 1 1
0 0
i i i i i i i im m m m m m m ma a a a
(4.43)
Onde
1
1/2
*i
im
i m
R Bia
R K
(4.44.a)
1
1/2 1i
im
i m
Ra
R R
(4.44.b)
2
0
*i
f
m
f
Ra
(4.44.c)
1 1
0
i i i im m m ma a a a
(4.44.d)
A discretização da equação do contorno usando diferenças finitas atrasadas
conduz à seguinte equação:
1 1L L L Lm m m ma a
(4.45)
Onde
*
2Lm
m m
Bia
R K
(4.46.a)
1
2Lm
m
aR
(4.46.b)
As equações discretas obtidas formam um sistema tridiagonal de equações
algébricas, cuja solução é obtida pelo algoritmo de Thomas, conhecido como TDMA
(Tridiagonal Matrix Algorithm). Nota-se que o mesmo esquema vale para a solução do
problema do período de resfriamento.
37
5 PROBLEMA INVERSO
O problema inverso a ser estudado tem o objetivo de estimar os parâmetros
aparecendo no modelo definido pelas equações (3.25) a (3.32) a partir de medições de
temperaturas.
5.1 Inversão Estatística
Na abordagem Bayesiana para estatística, é feita uma tentativa de utilizar
todas as informações disponíveis com o objetivo de reduzir as incertezas presentes
numa inferência. À medida que uma nova informação é obtida, ela é combinada com
todas as informações anteriores para formar uma base pelos procedimentos estatísticos.
O mecanismo formal utilizado para combinar a nova informação com as informações
disponíveis anteriormente é conhecido como o teorema de Bayes. Portanto, o termo
Bayesiano é frequentemente usado para descrever a bem-conhecida abordagem da
inversão estatística, que é baseada nos seguintes princípios (Kaipio e Somersalo, 2004):
1. Todas as variáveis incluídas no modelo são modeladas como variáveis
aleatórias.
2. A aleatoriedade descreve o grau de informação sobre as suas realizações.
3. O grau de informação relativa a estes valores é codificado em termo de
distribuições de probabilidades
4. A solução do problema inverso é a distribuição de probabilidade
posterior.
O teorema de Bayes pode ser escrito como segue:
( ) ( )( ) ( )
( )
P Y PP P Y
Y
prior
posterior
(5.1)
Onde posterior(P) é a densidade de probabilidade posterior, ou seja, a probabilidade de
obter os parâmetros, dado as medidas; prior(P) é a densidade a priori, ou seja, as
informações conhecidas sobre os parâmetros antes de fazer as fazer as medidas; (Y|P)
é a função de verossimilhança, a qual expressa a probabilidade de obter as medidas
38
dados os parâmetros; (Y) é a densidade de probabilidade marginal das medições, que
desempenha o papel de uma constante de normalização.
Assumindo que, os erros de medidas têm uma distribuição Gaussiana, com
médias e matriz de covariâncias conhecidas, e que os erros de medição são aditivos, a
verossimilhança pode ser escrita como segue (Kaipio e Somersalo, 2004; Tan et al.,
2006):
1/2/2 1 1
( ) (2 ) exp ( ( )) ( ( ))2
I T
s s
Y P W Y - P W Y - P (5.2)
Onde I é o número de medidas, W é a matriz de covariância dos erros de medidas, Y é o
vetor das medidas e ϴs(P) é o vetor das temperaturas calculadas à partir da solução do
problema direto com uma estimativa dos parâmetros.
Dependendo da densidade de probabilidade a priori assumida para os
parâmetros, a distribuição a posteriori pode não permitir um tratamento analítico. Neste
caso, o método de Monte Carlo com Cadeia de Markov (MCMC) é usado para gerar
amostras de todos os parâmetros possíveis, de modo que a inferência sobre a
probabilidade posterior torna-se a inferência sobre as amostras. Com o objetivo de
implementar a cadeia de Markov, é preciso uma densidade q(P*,Pt
), que dá a
probabilidade de passar do estado atual da cadeia Pt
para um novo estado P*( Kaipio
e Somersalo, 2004; Tan et al., 2006; Lee, 2004):
O algoritmo de Metropolis-Hastings é usado para implementar o método
MCMC. O algoritmo pode ser resumido nos seguintes passos (Kaipio e Somersalo,
2004; Tan et al. ,2006; Lee, 2004):
1-Gere uma amostra P*de uma distribuição de proposta q(P*,Pt
)
2- Calcule
* ( 1) *
( 1) * ( 1)
( | ) ( , )min 1,
( | ) ( , )
P Y P P
P Y P P
t
t t
q
q
(5.3)
3- Gere um número randômico U, que é distribuído uniformemente em (0,1)
4-Se U , defina ( ) *t P P , caso contrário, defina
( ) ( 1)t tP P
39
5-Retorne ao passo 1, a fim de gerar a sequência (1) (2) ( ), ,..., nP P P
Desta forma, temos uma sequência que representa a distribuição a posteriori,
e a inferência sobre essa distribuição é obtida a partir da inferência sobre as amostras
1 2, ,...,
nP P P . Notamos que os valores de
iP devem ser ignorados até a
convergência da cadeia ao equilíbrio (Kaipio e Somersalo, 2004; Tan et al., 2006; Lee,
2004).
5.2 Análise dos Coeficientes de Sensibilidade e Projeto
Ótimo
O estudo dos coeficientes de sensibilidade dos parâmetros permite verificar a
resposta do modelo matemático da variação da temperatura na sonda, quando se
efetuam variações nos valores dos parâmetros. O coeficiente de sensibilidade Jij é
definido pela primeira derivada da temperatura ( )s a um tempo em relação ao
parâmetro desconhecido Pj, sendo dado por si
ij
j
JP
. Um pequeno valor da
magnitude do coeficiente de sensibilidade indica que uma grande variação no parâmetro
causa uma pequena variação na temperatura. Isto significa que diferentes valores deste
parâmetro causam o mesmo efeito na temperatura; então, tal parâmetro é de difícil
estimativa. Quando os coeficientes de sensibilidade têm pequenas magnitudes e/ou são
linearmente dependentes, o determinante da matriz de informação ( TJ J ) é próximo de
zero e o problema inverso é mal-condicionado. Portanto, é desejável que os coeficientes
de sensibilidade sejam linearmente independentes e com grandes magnitudes, de tal
maneira que o problema inverso não seja muito sensível aos erros de medidas e uma
estimativa dos parâmetros com pequena incerteza possa ser obtida.
Em geral é feita a maximização do determinante da matriz de informação
com o objetivo de se realizar um projeto ótimo do experimento para a estimativa dos
parâmetros desconhecidos, que resulta na minimização do hipervolume da região de
confiança dos parâmetros estimados, a fim de assegurar um desvio padrão mínimo para
as estimativas (Ozisik e Orlande, 2000).
40
Para casos envolvendo um único sensor, a matriz de sensibilidade é definida
como segue:
1 1 1 1
1 2 3
2 2 2 2
1 2 3
1 2 3
s s s s
N
T s s s sT
sN
s I s I s I s I
N
P P P P
P P P P
P P P P
JP
(5.4)
Usando a definição da matriz de sensibilidade, cada elemento da matriz de
informação T
F = J J é dado por:
, ,1
, 1,...,I
si si
m n m ni m n
m n NP P
TF J J (5.5)
Onde N é o número de parâmetros e I e o número de medidas disponíveis
Assumindo disponível um número grande, porém fixo de medidas, e
igualmente espaçadas no tempo e conhecendo a temperatura máxima na região, torna-se
mais viável maximizar o determinante da matriz FM, cujos coeficientes são dados por
(Ozisik e Orlande, 2000):
2
, 0,max
1 1, 1,...,
final s s
M m nm n tfinal m n s
F P P d m n NP P
(5.6)
Onde ,maxs se refere à temperatura máxima da sonda, a qual é avaliada no tempo final
do aquecimento, h .
Em geral, avalia-se a acurácia das estimativas através o cálculo do intervalo
de confiança dessas mesmas. Assumindo distribuição Gaussiana para os parâmetros, o
intervalo de confiança a 99 % é dado por:
ˆ ˆˆ ˆ2.576 2.576 1,...,
j jj j jP P
P P P para j N (5.7)
42
6 RESULTADOS
Neste capitulo são apresentados os resultados obtidos neste projeto.
Inicialmente é feita a verificação da solução numérica do problema direto, apresentada
no capitulo 4. Para tanto é usada uma solução analítica do problema de condução de
calor em uma única região, bem como a solução clássica de Blackwell e uma solução
numérica obtida com a função PDEPE do MATLAB. Em seguida são apresentados
resultados para a estimativa dos parâmetros do problema, utilizando-se medidas
simuladas de temperatura em duas condições, a saber: (i) sonda com capacidade térmica
volumétrica alta; e (ii) sonda com capacidade térmica volumétrica baixa. Para a
primeira condição, consideram-se disponíveis medidas do sensor da sonda. Para a
segunda condição, consideram-se disponíveis medidas do sensor da sonda e de outro
localizado à 3 mm da superfície da sonda. Neste caso, considera-se também a estimativa
da posição deste segundo sensor, a qual é de difícil medida e, por isto, também tratada
como um parâmetro randômico do modelo.
6.1 Verificação da Solução Numérica do Problema
Direto
O objetivo da verificação da solução numérica é de estabelecer a precisão
numérica, independentemente da precisão do modelo físico, que é o foco da validação
(ASME V&V, 20-2009).
6.1.1 Solução Analítica
Para a verificação da solução numérica do problema estudado, foi
considerada a condução de calor unidimensional transiente num cilindro maciço com
uma fonte de calor transiente ao longo do eixo (Ozisik, 1993). A formulação
matemática do problema foi divida em dois períodos. No primeiro período, modela-se o
problema de aquecimento com uma fonte de calor constante, e, pois no segundo período
modela-se o problema de resfriamento.
43
6.1.1.1 Solução analítica do problema no período de aquecimento
A formulação matemática do problema físico, assim formulado é a seguinte:
1 10 , 0h h
ext
g rT Tr r r parat
t r r r k
(6.1.a)
0
( , )( , ) , 0h
h ext
T r tk hT r t hT em r r parat
r
(6.1.b)
0( , ) 0 , 0h extT r t T r r parat (6.1.c)
Onde ( )0
s
s
g para r rg r
para r r
(6.1.d)
Usando as mesmas variáveis adimensionais definidas pelas equações (3.15) à
(3.22) tem-se:
* *
1 1 ( )0 , 0h h
ext
G RR R R para
R R R K
(6.2.a)
* ( , )( , ) 0 , 0h
h ext
RK Bi R em R R para
R
(6.2.b)
( , ) 0 0 , 0h extR R R para (6.2.c)
Onde 1 1
( )0 1
para RG R
para R
(6.2.d)
A solução analítica do problema, assim definido é obtida pelo método de
transformada integral clássica. Para a solução do problema, é preciso definir um
problema auxiliar. O problema auxiliar é aquele que resulta da separação das variáveis
da versão homogênea do problema original. O problema auxiliar é o seguinte:
22
2
( ) 1 ( )( ) 0 0 ext
d R d RR R R
R dRdR
(6.3.a)
* ( )( ) 0 ext
d RK Bi R em R R
dR
(6.3.b)
44
Definindo a transformada
0
( , ) ( , ) ( , )extR
h m l h
R
R R R dR
(6.4)
e a inversa é:
0
( , )( , ) ( , )
( )
l
h h l
l l
RR
(6.5)
A solução para este problema não-homogêneo é então obtida como:
* 2
* 21*
0*1 0 0
( , ) ( , ) ( ,0) ( )( )
(6.6)
l
l
h l h l l
l l R
eR R e R J R dRd
K
Calculando as integrais e depois rearranjando a equação resultante, obtém-se a solução
do problema na seguinte forma.
* 20 1
* 31
( ) ( )( , ) 1 ll l
h
l l l
J R JR e
K
(6.7)
Onde
0 ( )lJ R : Função de Bessel de Ordem 0 do primeiro tipo
1( )lJ : Função de Bessel de Ordem 1 do primeiro tipo
2
2 2
0 2 2
*
1 2
( )( )
l
l l ext
ext l
J R BiR
K
(6.8)
l são raízes positivas da seguinte equação transcendental:
0
0*
( )( ) ( ) 0l
l l ext l ext
l
dJ BiR J R
d K
(6.9)
Ou
45
1 0*( ) ( )l l ext l ext
BiJ R J R
K (6.10)
As autofunções, a norma e a equação dos autovalores são obtidas de (Ozisik,
1993).
6.1.1.2 Solução do problema no período de resfriamento
Para o período de resfriamento, a formulação matemática do problema na
forma adimensional torna-se:
*
1 10 ,nh nh
ext hR R paraR R R
(6.11.a)
* ( , )( , ) 0 ,nh
nh ext h
RK Bi R em R R para
R
(6.11.b)
( , ) ( , ) 0 ,nh h ext hR R R R para (6.11.c)
Nota-se que a condição inicial deste problema é a solução do problema do período de
aquecimento, avaliado no tempo final do aquecimento, τh.
Prosseguindo, como foi feito anteriormente, para a solução do problema no
período de aquecimento, obtem-se a seguinte solução:
* 2 ( )
1
( )( , ) ( , )
( )
l h
l
nh nh l h
l l
R eR
(6.12)
Onde
0
0
( , ) ( , ) ( )extR
nh l h h h l
R
R R J R dR
(6.13)
Usando a equação (6.7) para h e substituindo em (6.13), vem:
* 20 1
0* 310
( ) ( )( , ) 1 ( )
ext
l
R
l l
nh l h l
l l lR
J R JR e J R dR
K
(6.14)
Reescrevendo (6.14), obtem-se:
46
* 221
0* 31 0
( )( , ) 1 ( )
ext
l
R
l
nh l h l
l l l R
Je RJ R dR
K
(6.15)
Sendo,
2
0
0
( )extR
l
R
A RJ R dR
(6.16)
Integrando A, tem-se:
2
2 2
1 0( ) ( )2
ext
l ext l ext
RA J R J R (6.17)
Substituindo A em (6.14), vem:
* 2
2
2 21
1 0* 31
( )( , ) 1 ( ) ( )
2 ( )l hext l
nh l h l ext l ext
l l l
R Je J R J R
K
(6.18)
Substituindo a equação (6.18), na equação (6.12), obtemos a solução do problema.
* 2
* 2( )2
0 1
2 * 31
2 2
1 0
( ) ( )( , ) 1
2 ( )
( ) ( )
(6.19)
l h
l hext l l
nh
l l l
l ext l ext
h
R e J R JR e
K
J R J R
para
6.1.1.3 Comparação da solução analítica e da solução numérica
Para a verificação da solução numérica, os três meios envolvidos no modelo
proposto foram considerados como um meio único, com as propriedades termofísicas do
aço. A dimensão da célula foi escolhida conforme a dimensão mínima indicada pelo
construtor da sonda, para uma utilização clássica. A verificação da solução numérica foi
realizada considerando uma célula de 40 mm de raio interno com uma espessura de 3
mm. Os tempos de aquecimento e final a serem utilizados nas soluções de volumes
finitos e a analítico foram escolhidos iguais aproximadamente à τh = 80, τfinal = 110,
equivalentes à 200 e 275 segundos, respectivamente. Foi assumido um coeficiente de
troca de calor h = 20 W/mK. A figura 6.1 mostra o resultado obtido para a temperatura
da sonda com uma malha de 250 volumes de controle no domínio fluido e 16 volumes
de controle pelo domínio da célula e para um passo temporal de 0,5 s. Nesta figura é
47
também mostrada a solução analítica obtida pela Técnica da Transformada Integral
Clássica para o problema de uma única região.
Figura 6.1: Verificação da Solução Numérica
Com o objetivo de investigar o efeito do refinamento de malha sobre a
solução numérica obtida pelo método dos volumes finitos, foram definidas as três
malhas seguintes:
- Malha 1: 250 volumes no domínio fluido e 16 volumes pelo domínio da
célula
- Malha 2: 500 volumes no domínio fluido e 32 volumes pelo domínio da
célula
- Malha 3: 1000 volumes no domínio fluido e 64 volumes pelo domínio da
célula
Nota-se que as malhas 2 e 3 têm números de volumes que são múltiplos
daquelas da malha 1, isto permite calcular a temperatura nos mesmos pontos ao mudar a
malha. Foi adotado em todo o estudo um passo temporal dimensional de 0,5 s. Para as
malhas acima definidas, foram calculadas as temperaturas nos seguintes pontos:
48
- Ponto 1: refere-se à superfície da sonda
- Ponto 2: refere-se à um ponto localizado à uma distância de 1 cm da sonda
- Ponto 3: refere-se se à um ponto localizado à uma distância de 2 cm da
sonda
- Ponto 4: refere-se à um ponto na superfície da célula.
As tabelas 6.1 a 6.4 apresentam os resultados obtidos na comparação da
solução analítica com a solução numérica para os diferentes pontos e malhas acima
definidas. Nesta tabela também são mostrados os erros absolutos relacionados. De
maneira geral, pode-se observar que os erros absolutos estão da mesma ordem de
grandeza para as diferentes malhas. Observa-se um erro absoluto máximo de 0.0000429
para a malha mais grossa contra um erro absoluto máximo de 0.0000324 para a malha
mais fina. Nota-se que, o ganho em precisão ao usar a malha mais fina é quase
insignificante e tem um custo computacional seis vezes maior. Consequentemente, a
malha 1 foi adotada no decorrer deste trabalho para os resultados apresentados abaixo.
Tabela 6-1: Comparação das Temperaturas obtidas com a Solução Analítica e a Solução
Numérica- Ponto 1
Tabela 6-2: Comparação das Temperaturas obtidas com a Solução Analítica e a Solução
Numérica - Ponto 2
49
Tabela 6-3: Comparação das Temperaturas obtidas com a Solução Analítica e a Solução
Numérica - Ponto 3
Tabela 6-4: Comparação das Temperaturas obtidas com a Solução Analítica e a Solução
Numérica – Ponto 4
6.1.2 Solução de Blackwell
É importante comparar a solução obtida neste estudo com a solução de
Blackwell (eq.11) descrita anteriormente. Relembrando que essa solução é fundamental
para o uso clássico da sonda linear. A solução de Blackwell dada pela equação (2.11)
em termos das variáveis adimensionais definidas anteriormente pode ser escrita como:
*
1(1, ) ln( ) ln(4)
4* f
yK
(6.20)
Onde y é a constante de Euler.
Nota-se que a solução de Blackwell prediz um comportamento linear do
aumento de temperatura da amostra com o logaritmo natural do tempo. A figura 6.2
apresenta a comparação da solução de Blackwell com a solução numérica deste estudo
obtida para um caso envolvendo uma sonda e uma célula em aço e a água como o
50
líquido para o qual se deseja medir as propriedades termofísicas. Pode-se observar, que
para tempos 3 < ln(τ) < 7 a solução numérica obtida pelo método dos volumes finitos e
a solução de Blackwell ficam idênticas. Os desvios da solução de volumes finitos do
comportamento linear para tempos ln(τ) < 3 e ln(τ) >7 se devem ao fato que o modelo
deste estudo leva em conta a inércia térmica da sonda e as perdas de calor da célula para
um meio externo. Tais efeitos são desprezados com a solução de Blackwell.
6.1.3 Solução da rotina PDEPE da plataforma MATLAB
Ainda com o objetivo de verificar a solução numérica, foi considerado um
problema de condução de calor nos três meios envolvidos no modelo. As propriedades
termofísicas da sonda e da célula foram escolhidas iguais à do aço, enquanto as
propriedades termofísicas do fluido foram escolhidas iguais à da água. A solução
numérica obtida pelo método dos volumes finitos foi então comparada com a solução da
rotina PDEPE da plataforma MATLAB.
A rotina PDEPE resolve problemas de valor inicial e de contorno para os
sistemas de equações diferenciais parciais parabólicas e elípticas com uma variável de
espaço e tempo. As equações diferenciais ordinárias (EDOs), resultante da discretização
de segunda ordem no espaço são integradas para obter soluções aproximadas em tempos
especificados pelo usuário. Nota-se que para a integração temporal, a rotina faz uso de
um solver de EDO, que seleciona o passo de tempo e a fórmula de integração
dinamicamente, o que não é o caso pelo passo espacial que precisa ser definido pelo
usuário. Utilizou-se a mesma malha espacial usada na solução do problema pelo método
dos volumes finitos. A função PDEPE retorna valores da solução na malha espacial e na
malha temporal fornecida pelo usuário.
Para a solução do problema com a rotina PDEPE precisou-se formular o
problema na forma de um problema de condução de calor com propriedades variáveis,
sujeito às mesmas condições de contorno e inicial. A formulação matemática na forma
adimensional se-escreve da seguinte forma:
* *( , ) ( , )1( ) ( ) ( ) , 0 ext
R RC R K R R G R R R
R R R
(6.21.a)
51
* ( , )( ) ( , ) 0 , , 0ext
RK R Bi R R R
R
(6.21.b)
( , ) 0 , 0 , 0extR R R
(6.21.c)
Onde 1 1
0 1
para RG R
para R
(6.21.d)
A figura 6.2 mostra a comparação da solução numérica obtida pelo método
dos volumes finitos deste trabalho com a solução da rotina PDEPE, pelo problema de
aquecimento. Pode-se observar uma excelente concordância entre as duas soluções.
Figura 6.2: Verificação da Solução Numérica utilizando a Solução de
Blackwell e a Função PDEPE
52
6.2 Estimativas de Propriedades com Medidas de
Temperatura Simuladas- Sonda com Capacidade
Térmica Volumétrica Alta
Esta parte do trabalho trata da estimativa dos parâmetros termofísicos do
modelo, assumindo-se disponíveis medidas de temperatura com uma sonda de
capacidade térmica volumétrica alta. A fim de realizar as simulações foram utilizados
parâmetros termofísicos conhecidos a priori, incluindo as dimensões características da
sonda TP02 da Hukseflux. As propriedades termofísicas da sonda e da célula foram
escolhidas iguais a do aço (km=43.2 W/moC; αm=11.8x10
-6 m
2/s; Cs=3661300 J/m
3 oC).
Considerou-se a água como sendo o líquido para o qual se deseja medir as propriedades
termofísicas (kf =0.6 W/moC, αf =1.4x10
-7 m
2/s). Foi assumido um coeficiente de troca
de calor global h= 20 W/moC da célula para o meio externo. Consideraram-se as
propriedades do material de referência como iguais às propriedades do fluido base. Tal
escolha permite, no caso de um nanofluido, de obter-se diretamente o aumento relativo
das propriedades, se for o caso. No caso da estimativa das propriedades termofísicas da
água, temos os seguintes parâmetros adimensionais Km*= 72; αm
*=82.2067; Bi = 0.02;
Kf*=1; αf
*=1 e C
*s =0.8759.
6.2.1 Análise dos coeficientes de sensibilidade
Para esta análise foram utilizados os coeficientes de sensibilidade reduzidos.
Os coeficientes de sensibilidade reduzidos são definidos como os coeficientes de
sensibilidade multiplicados pelos parâmetros aos quais os coeficientes se referem, ou
seja,
siij j
j
J PP
(6.22)
A figura 6.3 apresenta o comportamento transiente dos coeficientes de
sensibilidades reduzidos dos parâmetros que estão presentes na formulação do
problema, para um sensor de temperatura na sonda. A variação da temperatura
adimensional foi também incluída no gráfico. Esta figura mostra que os coeficientes de
sensibilidade reduzidos do líquido em estudo e a temperatura adimensional da sonda
53
têm a mesma ordem de grandeza, mas tendem a ser linearmente dependentes. No
entanto, após o término do aquecimento, pode-se observar uma diminuição rápida dos
coeficientes de sensibilidade em relação à condutividade térmica e à difusividade
térmica do fluido, bem como à capacidade térmica volumétrica da sonda. Além disso,
pode-se notar que os coeficientes de sensibilidade dos parâmetros do material da célula
e do número de Biot são nulos. Portanto, tais parâmetros não podem ser estimados com
medições feitas em tal posição do sensor.
Figura 6.3:Análise dos Coeficientes de Sensibilidade
6.2.2 Projeto Ótimo do Experimento
Assumindo-se medidas de temperatura disponíveis para um sensor no
interior da sonda, foca-se agora na determinação do tipo de medição a ser adotado, isto
é medidas com frequência variável ou medidas com frequência fixa e na determinação
de variáveis experimentais, tais como a duração do aquecimento e do experimento. Para
essa análise foram utilizadas as mesmas propriedades termofísicas definidas
anteriormente. Descartando os parâmetros pouco sensíveis às perturbações a matriz de
sensibilidade torna-se:
54
1 1 1
1 2 3
1 2 3
J
s s s
sI sI sI
P P P
P P P
(6.23)
Onde P1, P2 e P3 se referem respectivamente aos parâmetros adimensionais
da condutividade térmica do fluido, da difusividade térmica do fluido e da capacidade
térmica volumétrica da sonda. Os índices „s‟ e „I‟ se referem ao sensor da sonda e ao
número de medidas, respectivamente.
A Figura 6.4 mostra os resultados da maximização do determinante da
matriz de informação, considerando que as medidas de temperatura são tomadas com
frequência variável, para um tempo de aquecimento adimensional igual a vinte. A
temperatura máxima na região foi incluída na análise. O valor máximo do determinante
é atingido em um curto período de tempo, quando os coeficientes de sensibilidade estão
variando dos seus valores iniciais nulos. Em seguida, o determinante diminui devido à
tendência dos coeficientes de sensibilidade à dependência linear. O determinante tende
novamente a crescer quando o aquecimento é desligado, porque a dependência linear
dos coeficientes de sensibilidade é reduzida. No entanto, logo os coeficientes de
sensibilidade tendem a zero e o determinante volta novamente a diminuir. Pode-se
notar, nesta mesma figura, que o determinante cresce com o número de medidas
disponíveis. No entanto, este tipo de medição não é adequado para a solução do
problema inverso, porque o máximo do determinante é atingido por um curto período.
A figura 6.5 mostra os resultados obtidos para o determinante da matriz de
informação, considerando medidas de temperatura com frequência fixa de uma medida
a cada meio segundo. Cada curva nesta figura corresponde a tempos de aquecimento
diferentes. É bom notar nesta figura que, quando o tempo de aquecimento é tomado
igual à duração do experimento, a maximização do determinante conduz a um valor
relativamente baixo em comparação com os casos em que o aquecimento é desligado
antes o fim do experimento. A mesma conclusão foi feita por Thomson (2006). Nota-se
que o aumento do determinante não é significativo para um tempo final adimensional de
experimento maior do que 110. Assim o valor máximo do determinante é obtido para o
tempo de aquecimento adimensional τh=79.7448, já que os coeficientes de sensibilidade
55
tendem à dependência linear durante o aquecimento e tendem a zero depois de
terminado o aquecimento. Portanto, o tempo de aquecimento e a duração do
experimento foram escolhidos iguais a 79.7448 e 110, correspondendo respectivamente
à 200 s e à 275 s.
Figura 6.4: Determinante da Matriz de Informação para Medidas com
Frequência Variável
Figura 6.5: Efeito do Tempo de Aquecimento sobre o Determinante da
Matriz de Informação
56
6.2.3 Estimativa de parâmetros
Com o objetivo de testar o desempenho do algoritmo são utilizadas medidas
simuladas de temperatura com parâmetros predefinidos assim a expectativa é de obter
esses mesmos parâmetros que foram usados para gerar as medidas. Tais medidas são
obtidas somando à solução do problema direto erros randômicos da seguinte forma:
Y(τ) = Yex (τ) +ωσ (6.24)
Onde:
-Y(τ) são as medidas de temperatura simuladas contendo erros
experimentais;
-Yex (τ) são as medidas de temperatura exatas obtidas com a solução do
Problema Direto;
-σ é o desvio padrão dos erros das medidas;
-ω é uma variável randômica com distribuição normal, média zero e desvio
padrão unitário.
Para os resultados de simulação apresentados, o fluido considerado foi a
água e o material da célula e da sonda foi o aço. Como os parâmetros da célula
mostraram-se praticamente insensíveis às perturbações, o material da célula e de suas
dimensões foram escolhidas baseados no objetivo de obter facilmente as temperaturas
de medições desejadas. O tempo de aquecimento e o tempo final do experimento
escolhidos são aqueles que foram obtidos da otimização do experimento. O desvio
padrão das medidas simuladas de temperatura foi escolhido igual à 1% da temperatura
máxima da sonda, correspondendo à 0.02 oC. Foram investigados níveis de erros
maiores, mas devido à relativa baixa amplitude dos coeficientes de sensibilidade, não
foi possível obter boas estimativas.
Para poder alcançar o nosso objetivo, basicamente dois tipos de problemas
inversos foram considerados. No problema inverso de tipo 1, é usado um fluido de
propriedades conhecidas a priori. Também foram assumidas conhecidas a priori as
propriedades termofísicas da célula de outro experimento, por exemplo, o método flash.
Neste caso, o foco principal é obter uma estimativa da capacidade térmica volumétrica
57
da sonda. A estimativa da capacidade térmica volumétrica obtida é utilizada como
conhecida a priori no problema inverso do tipo 2. No problema inverso do tipo 2, foi
então assumido um fluido com propriedades termofísicas desconhecidas conhecendo os
parâmetros da célula e da sonda. Nota-se que utilizando a inferência Bayesiana, todos os
parâmetros termofísicos aparecendo na formulação matemática são estimados. Isto
permite de levar em conta as incertezas sobre os valores julgados conhecidos. Para estes
parâmetros foram utilizadas distribuições a priori Gaussianas com média exatas e desvio
padrão igual à 5% da média exata, e para os parâmetros desconhecidos foram utilizadas
distribuições a priori uniformes, com limites inferior e superior iguais aos valores exatos
mais ou menos 20% de seus valores. O número de amostras utilizado nas cadeias de
Markov foi de quarenta mil.
6.2.3.1 Problema inverso de tipo 1
São apresentadas na tabela 6.5 as distribuições a priori utilizadas na solução
do problema inverso de tipo 1. Pode-se observar na figura 6.6 a evolução da cadeia de
Markov para cada parâmetro. Note-se que para a capacidade térmica volumétrica da
sonda a cadeia alcançou a convergência a partir de 10000 amostras, então a média a
posteriori de cada parâmetro foi calculada desprezando as 10000 primeiras amostras. A
tabela 6.6 apresenta os resultados de estimativa obtidos. Nota-se os valores exatos da
capacidade térmica volumétrica da sonda e dos outros parâmetros encontram-se dentro
dos intervalos de confiança estimados. A figura 6.7 apresenta as distribuições marginais
a posteriori, de cada um dos parâmetros estimados. Tais distribuições são Gaussianas,
tendo em vista que a verossimilhança é Gaussiana e as distribuições a priori são
uniformes ou Gaussianas.
Foi investigada a influência do estado inicial da cadeia de Markov na
solução do problema inverso. A evolução da cadeia para cada parâmetro é mostrada na
figura 6.8, onde foram usados estados iniciais diferentes dos anteriores (ver tabela 6.6 e
6.7). As estatísticas relativas a estas estimativas foram feitas desprezando as 10000
primeiras amostras. A Tabela 6.7 apresenta as estatísticas obtidas. Pode-se observar que
o resultado da estimativa varia muito pouco, com o estado inicial da cadeia de Markov e
está dentro do intervalo de confiança da estimativa anterior. Como foi dito
anteriormente a estimativa da capacidade térmica volumétrica da sonda obtida do
58
problema inverso do tipo 1 foi então utilizada como informação a priori no problema
inverso do tipo 2.
Tabela 6-5: Distribuições de Probabilidade a priori dos Parâmetros para a Solução do
Problema de Tipo 1
Figura 6.6: Cadeia de Markov para o Problema Inverso do Tipo 1
60
Tabela 6-6: Resultados obtidos para o Problema Inverso do Tipo 1
Figura 6.8: Cadeia de Markov para o Problema Inverso do Tipo 1 - Mudando
o Estado Inicial da Cadeia de Markov
61
Tabela 6-7: Resultados obtidos para o Problema Inverso do Tipo 1- Mudando o Estado
Inicial da Cadeia Markov
6.2.3.2 Problema inverso de tipo 2
Para a solução do problema inverso de tipo 2 foram utilizadas as
distribuições a priori apresentadas na tabela 6.8. A figura 6.9 mostra a evolução da
cadeia de Markov para cada um dos parâmetros em estudo. Notamos que as cadeias de
Markov dos parâmetros do fluido atingiu a convergência ao torno de 2000 mil amostras.
Portanto a média a posteriori foi calculada desprezando as duas mil primeiras amostras.
A Tabela 6.9 apresenta os resultados de estimativas obtidos e são apresentadas na figura
6.10 as distribuições marginais a posteriori dos parâmetros. É bom notar que os
parâmetros do fluido têm resultados bem próximos dos valores exatos, enquanto os
parâmetros da célula são um pouco mais afastados de seus valores exatos. Tal resultado
se deve ao fato que as medidas de temperaturas tomadas pela sonda são mais
informativas para a estimativa dos parâmetros do fluido e da própria capacidade térmica
volumétrica da sonda do que os parâmetros da célula.
Com o objetivo de investigar a estabilidade da solução com respeito ao
estado do inicial da cadeia de Markov, iniciou-se a cadeia pelos limites inferiores dos
intervalos dos parâmetros. A figura 6.11 e a Tabela 6.10 apresentam respectivamente as
saídas da cadeia de Markov para cada parâmetro e as estatísticas relativas à estimativa.
Pode-se observar que os resultados de estimativa dos parâmetros adimensionais
relativos à condutividade térmica e à difusividade térmica do fluido, foco do problema
inverso de tipo 2 estão dentro do intervalo de confiança da estimativa anterior. Isto
mostra a estabilidade da solução do problema inverso com respeito ao estado inicial da
62
cadeia de Markov. Os resultados obtidos mostraram o desempenho do algoritmo e da
abordagem proposta para a solução do problema inverso em estudo.
Tabela 6-8: Distribuições de Probabilidade a priori dos Parâmetros para a Solução do
Problema de Tipo 2
Figura 6.9: Cadeias de Markov para o Problema Inverso do Tipo 2
64
Tabela 6-9: Resultados obtidos para o Problema Inverso do Tipo 2
Figura 6.11: Cadeias de Markov para o Problema Inverso do Tipo 2 -
Mudando o Estado Inicial da Cadeia de Markov
65
Tabela 6-10: Resultados obtidos para o Problema Inverso do Tipo 2- Mudando o Estado
Inicial da Cadeia Markov
6.3 Estimativas de Propriedades com Medidas de
Temperatura Simuladas- Sonda com Capacidade
Térmica Volumétrica Baixa
Nesta parte do trabalho trata-se da estimativa dos parâmetros termofísicos do
modelo, assumindo-se disponíveis medidas de temperatura com uma sonda de
capacidade térmica volumétrica baixa suposta igual a 10% da capacidade térmica
volumétrica do aço. Foram utilizadas as mesmas propriedades dos materiais definidos
anteriormente, ou seja, o aço para e a célula, e a água como o fluido de propriedades de
interesse.
6.3.1 Análise dos coeficientes de Sensibilidade
A figura 6.12, apresenta o comportamento transiente dos coeficientes de
sensibilidade reduzidos dos parâmetros que estão presentes na formulação do problema
para um sensor de temperatura na sonda, além da variação da temperatura adimensional.
Pode-se observar um comportamento muito parecido ao caso da sonda com capacidade
térmica volumétrica alta, estudado anteriormente, só que desta vez os coeficientes de
sensibilidade da capacidade térmica volumétrica da sonda são muito próximos de zero.
Como no caso anterior, os coeficientes de sensibilidade dos parâmetros do material da
célula e do número de Biot são nulos. Portanto, tais parâmetros não podem ser
66
estimados com medições feitas em tal posição do sensor. A maximização do
determinante da matriz de informação (figura 6.13) assumindo disponíveis medidas de
temperatura com uma frequência de uma tomada cada 0.5 s de um sensor de
temperatura no interior da sonda ficou praticamente igual ao caso da sonda com
capacidade térmica volumétrica alta. Portanto, foi utilizado o mesmo tempo de
aquecimento (200 s) e a mesma duração do experimento (275 s) para a solução do
problema inverso.
Figura 6.12: Análise dos Coeficientes de Sensibilidade
Figura 6.13: Efeito do Tempo de Aquecimento sobre o Determinante da
Matriz de Informação
67
No entanto, a solução do problema inverso de tipo 1 neste caso mostrou a
existência de uma correlação entre os parâmetros do fluido. Lembrando que no
problema inverso de tipo 1, assume-se conhecidos todos os parâmetros, exceto a
capacidade térmica volumétrica da sonda, e o foco é de estimar essa mesma. Utilizaram-
se distribuições a priori Gaussianas com média exata e desvio padrão igual a 5% do
valor exato pelos parâmetros conhecidos a priori e uma distribuição a priori uniforme
para a capacidade térmica volumétrica da sonda com a restrição de ser positiva e com
limite superior a capacidade térmica volumétrica do aço. A figura 6.14 mostra as
cadeias de Markov para os diferentes parâmetros. Pode-se notar nesta figura um
comportamento muito semelhante das cadeias de Markov dos parâmetros do fluido e a
incapacidade de se obter uma boa estimativa destes, apesar de se usar uma informação a
priori informativa para esses parâmetros. Portanto, torna-se necessário se usar um
segundo termopar junto com o termopar da sonda a fim de se reduzir a correlação que
existe entre os parâmetros do fluido, possibilitando assim a estimativa dos parâmetros
desejados.
Figura 6.14: Cadeias de Markov para o Problema Inverso do Tipo 1
68
As figuras 6.15 e 6.16 mostram o comportamento transiente dos coeficientes
de sensibilidade para um sensor de temperatura a uma distância de 3 mm da sonda, e
para um sensor de temperatura à 10 mm da sonda, respectivamente. Pode-se observar
que quanto mais próximo da sonda, maiores são as amplitudes dos coeficientes de
sensibilidade relativos aos parâmetros termofísicos do fluido. Então, foi escolhido usar
medidas de temperatura a uma distância de 3 mm da sonda, juntamente com as medidas
de temperatura da sonda, na estimativa dos parâmetros nos casos estudados a seguir.
Figura 6.15: Análise dos Coeficientes de Sensibilidade
Figura 6.16: Análise dos Coeficientes de Sensibilidade
69
6.3.2 Projeto Ótimo do Experimento
De acordo com as observações feitas anteriormente, assume-se disponíveis
medidas de temperatura de um sensor no interior da sonda e de um sensor a uma
distancia de 3 mm da sonda. Foram utilizadas as mesmas propriedades termofísicas
definidas anteriormente, ou seja, um material com capacidade térmica volumétrica igual
a 10% da capacidade térmica volumétrica do aço para a sonda, e o aço para a célula, e a
água como o fluido de propriedades de interesse. Para o presente caso a matriz de
sensibilidade é dada por:
1 1
1 2
1 1
1 2
1 2
1 2
JP
s s
t t
TT
sI sI
tI tI
P P
P P
P P
P P
(6.25)
Onde P1, P2 correspondem aos parâmetros adimensionais que se referem à
condutividade térmica do fluido e à difusividade térmica do fluido, respectivamente. Os
índices „s‟ e „t‟ se referem ao sensor da sonda e ao sensor distante de 3 mm da sonda,
respectivamente, e I é o número de medidas de temperatura por sensor.
A figura 6.17 mostra os resultados obtidos para o determinante da matriz de
informação, considerando medidas de temperatura com frequência fixa de uma medida
a cada meio segundo, para cada um dos sensores utilizados. Cada curva nesta figura
corresponde a tempos de aquecimento diferentes. Pode-se notar que o aumento do
determinante não é significativo para um tempo final adimensional de experimento
maior do que 110, assim como o valor máximo do determinante é obtido para o tempo
de aquecimento adimensional τh=79.7448. Portanto, o tempo de aquecimento e a
duração do experimento podem ser escolhidos iguais a 79.7448 e 110, correspondendo
respectivamente aos tempos 200 s e 275 s.
70
Figura 6.17: Efeito do Tempo de Aquecimento sobre o Determinante da
Matriz de Informação
6.3.3 Estimativa de parâmetros
Considera-se o problema de estimativa das propriedades termofísicas da
água contida numa célula de aço, com a sonda linear feita de um material com
capacidade térmica volumétrica igual à 10% da capacidade térmica volumétrica do aço.
Para a estimativa dos parâmetros desejados, simula-se medidas de temperatura para um
sensor de temperatura no interior da sonda e para um sensor à uma distancia de 3 mm da
sonda. O desvio padrão do erro das medidas é da ordem de 1% da temperatura máxima
calculada nas posições de sensores utilizados.
6.3.3.1 Problema inverso de tipo 1
Apresentam-se na tabela 6.11 as distribuições de probabilidade a priori
assumidas para cada parâmetro. A figura 6.18 mostra as saídas da cadeia de Markov
para cada parâmetro. Note-se que para a capacidade térmica volumétrica da sonda a
cadeia alcançou a convergência a partir de 2000 amostras. Então a média a posteriori de
cada parâmetro foi calculada desprezando as 2000 primeiras amostras. Pode-se observar
que as saídas da cadeia para a capacidade térmica volumétrica da sonda e para os
71
parâmetros do fluido tendem a convergir pelo valor exato, enquanto as saídas dos
parâmetros termofísicos do material da célula e do número de Biot tem um
comportamento oscilatório. A Tabela 6.12 e a figura 6.19 apresentam as estatísticas da
estimativa obtida e as distribuições marginais a posteriori dos parâmetros. É importante
notar-se nesta tabela a excelente estimativa da capacidade térmica volumétrica da sonda,
apesar da informação a priori usada para este parâmetro ser não-informativa e o estado
inicial da cadeia do mesmo ser bem distante de seu valor exato. Observa-se que as
distribuições marginais a posteriori dos parâmetros do fluido e da capacidade térmica
volumétrica da sonda estão muito próximas de uma Gaussiana. Pode-se notar na figura
6.18 que apesar de se usar uma informação a priori Gaussiana e de se iniciar a cadeia
para os valores exatos dos parâmetros do material da célula e do número de Biot, as
suas cadeias de Markov tem um comportamento oscilatório. Isto se deve ao fato que os
seus coeficientes de sensibilidade são nulos. Tentou-se investigar a influência do estado
inicial da cadeia iniciando-se as cadeias pelos valores limites inferiores admissíveis para
os parâmetros. No entanto, devido o baixo valor do coeficiente de sensibilidade da
capacidade térmica volumétrica da sonda para valores menores do que o valor exato
tornou-se difícil de estimar esse mesmo iniciando-se a cadeia por valores mais baixos
do que o exato. Como foi dito anteriormente a estimativa da capacidade térmica
volumétrica da sonda obtida do problema inverso de tipo 1 foi utilizada como
informação a priori no problema inverso de tipo 2.
Tabela 6-11: Distribuições de Probabilidade a priori dos Parâmetros para a Solução do
Problema de Tipo 1
74
Tabela 6-12: Resultados obtidos para o Problema Inverso do Tipo 1
6.3.3.2 Problema inverso de tipo 2
São apresentadas na tabela 6.13 as distribuições de probabilidade a priori
assumidas pelos diferentes parâmetros. A figura 6.20 apresenta as saídas da cadeia de
Markov de cada parâmetro. Pode-se observar que a cadeia de Markov atingiu a
convergência ao torno de 1000 amostras pelos parâmetros relacionados às propriedades
do fluido. Portanto as estatísticas relativas foram feitas desprezando as mil primeiras
amostras. A Tabela 6.14 apresenta os resultados de estimativas obtidos e são
apresentadas na figura 6.21 as distribuições marginais a posteriori dos parâmetros. De
novo, observa-se que as distribuições marginais a posteriori das propriedades do fluido
e da capacidade térmica volumétrica da sonda são muito próximas de uma distribuição
Gaussiana, enquanto as dos parâmetros da célula e do número de Biot não são
Gaussianas. Pode-se notar que os parâmetros do fluido e a capacidade térmica
volumétrica da sonda têm estimativas bem próximas dos valores exatos, enquanto os
parâmetros da célula e o número de Biot são um pouco mais afastados de seus valores
exatos. Note-se que a utilização do segundo sensor, além de possibilitar a estimativa
para o caso de uma sonda de baixa capacidade térmica volumétrica, contribuiu para a
redução do intervalo de confiança das estimativas das propriedades do fluido.
75
Tabela 6-13: Distribuições de Probabilidade a priori dos Parâmetros para a Solução do
Problema de Tipo 2
Figura 6.20: Cadeias de Markov para o Problema Inverso do Tipo 2
77
Tabela 6-14: Resultados obtidos para o Problema Inverso do Tipo 2
6.3.4 Estimativa de Parâmetros e da Posição do Sensor
Nesta parte é considerado o mesmo problema de estimativa de parâmetros
com uma sonda de capacidade térmica volumétrica baixa e um segundo sensor de
temperatura posicionado à uma distancia de 3 mm da sonda. As propriedades dos
materiais utilizados são as mesmas dos casos anteriores. Note-se que no caso anterior as
posições dos sensores de temperatura foram assumidas conhecidas deterministicamente.
No entanto, devido à alta sensibilidade da solução do problema inverso em relação à
posição do segundo sensor, estima-se essa mesma junto com os parâmetros termofísicos
e o número de Biot. Tal abordagem tem a vantagem de levar em conta as incertezas
relacionadas à posição deste sensor de temperatura, já que pode ser difícil medi-la com
uma boa precisão. Devido ao caráter discreto da solução do problema direto por
volumes finitos, estima-se a posição do sensor através a estimativa do seu índice de
discretização.
6.3.4.1 Problema inverso de tipo 1
A tabela 6.15 apresenta as informações a priori assumidas para os diferentes
parâmetros incluindo a posição do segundo sensor para a solução do problema inverso
de tipo 1. Simula-se um erro de medição da distância que separa os dois termopares
assumindo uma distribuição Gaussiana com média afastada de 1 mm do valor exato
utilizado para gerar as medidas de temperatura simuladas e com uma incerteza de ± 2
mm . São apresentadas na figura 6.22, as saídas da cadeia de Markov para cada
78
parâmetro, além das saídas do índice da posição do sensor. Pode-se observar uma
convergência rápida das saídas da cadeia para o índice de posição do sensor. Note-se
que para a capacidade térmica volumétrica da sonda a cadeia de Markov alcançou o
equilibro em torno de 5000 amostras. Então, a média a posteriori foi calculada
desprezando as cinco mil primeiras amostras. São apresentadas na figura 6.23 as
distribuições marginais a posteriori. Pode-se observar nesta figura que os parâmetros do
fluido e da capacidade térmica volumétrica da sonda têm distribuições marginais a
posteriori muito próximas de uma distribuição Gaussiana. É bom notar nesta mesma
figura que as distribuições marginais a posteriori dos parâmetros da célula e do número
de Biot não são Gaussianas. Lembrando que tal resultado era esperado, por conta de
seus coeficientes de sensibilidades serem nulos. A tabela 6.16, apresenta as estatísticas
relativas às estimativas obtidas. Nota-se que apesar de se especificar uma média errada
para a posição do sensor e de se iniciar a cadeia por um valor bem longe do valor exato,
foi possível estimar a posição exata do sensor. Por outro lado, a comparação das tabelas
6.16 e 6.12 revela que a estimativa simultânea da posição do sensor não afeta a
estimativa dos outros parâmetros.
Tabela 6-15: Distribuições de Probabilidade a priori dos Parâmetros para a Solução do
Problema de Tipo 1
81
Tabela 6-16: Resultados obtidos para o Problema Inverso do Tipo 1
6.3.4.2 Problema inverso do tipo 2
São apresentadas na tabela 6.17 as distribuições de probabilidade a priori
assumidas para os diferentes parâmetros, no estudo do problema inverso do tipo 2. A
figura 6.24 apresenta as saídas da cadeia de Markov para cada parâmetro. Pode-se
observar que a cadeia de Markov das propriedades do fluido atingiu a convergência ao
torno de 5000 amostras dos parâmetros relacionados às propriedades do fluido.
Portanto, as estatísticas relativas foram feitas desprezando as cinco mil primeiras
amostras. Novamente, pode-se notar nesta mesma figura, o comportamento oscilatório
das cadeias de Markov dos parâmetros da célula e do número do Biot. Lembrando que
tal comportamento era esperado da análise de sensibilidade, já que eles possuem
coeficientes de sensibilidades nulos. A figura 6.25 apresenta as distribuições marginais
a posteriori dos parâmetros. De novo, pode-se notar que as distribuições marginais a
posteriori dos parâmetros do fluido têm distribuições bem próximas de uma distribuição
Gaussiana. É bom notar, nesta mesma figura que as distribuições marginais a posteriori
dos parâmetros da célula do número de Biot não são Gaussianas, como consequência de
seus nulos coeficientes de sensibilidade. Os resultados de estimativa obtidos são
apresentados na tabela 6.18. Nota-se que os parâmetros do fluido e da capacidade
térmica volumétrica da sonda têm estimativas bem acuradas, ou seja, com estimativas
próximas dos valores exatos, enquanto os parâmetros da célula e do número de Biot têm
valores um pouco mais afastados de seus valores exatos. Pode-se notar nesta mesma
tabela que o valor exato da difusividade térmica do material da célula não está dentro do
intervalo de confiança da estimativa. Lembrando que este é um dos parâmetros pouco
82
sensível do modelo, portanto de difícil estimativa. É bom notar nesta mesma tabela que,
conseguiu-se estimar a posição exata do sensor e que a estimativa simultânea da posição
do sensor e dos outros parâmetros não afeita a solução do problema inverso (ver tabela
6.14 e 6.18).
Tabela 6-17: Distribuições de Probabilidade a priori dos Parâmetros para a Solução do
Problema de Tipo 2
Figura 6.24: Cadeias de Markov para o Problema Inverso do Tipo 2
85
7 CONCLUSÃO E SUGESTÕES PARA A CONTINUAÇÃO
DO TRABALHO
Nesta dissertação um método inverso Bayesiano de estimativa de parâmetros
foi aplicado à técnica da sonda linear para a caracterização térmica dos líquidos, com
foco em nanofluidos. O modelo deste estudo considerou a transferência de calor nas três
regiões que são a sonda, o líquido de propriedades de interesse e a célula. O problema
direto foi resolvido pelo método dos volumes finitos. Para a verificação da solução
numérica considerou-se um problema análogo de condução de calor que foi resolvido
pela Técnica de Transformada Integral Clássica (CITT). Outras verificações foram
feitas comparando-se a solução numérica com a solução de Blackwell e com a solução
obtida pela rotina PDEPE da plataforma MATLAB.
A análise dos coeficientes de sensibilidade com relação aos parâmetros
desconhecidos foi realizada e revelou a possibilidade de se estimar os parâmetros do
fluido e da sonda. O conceito de projeto ótimo foi utilizado para a escolha do tempo de
aquecimento e da duração do experimento, bem como o tipo de medida a ser utilizado.
Para poder alcançar o nosso objetivo, basicamente dois tipos de problemas
inversos foram considerados. O foco do problema inverso de tipo 1 era de estimar a
capacidade térmica volumétrica da sonda, assumindo conhecidos as outras
propriedades. Enquanto no problema inverso de tipo 2, o valor estimado da capacidade
térmica volumétrica era utilizado como informação a priori informativa junto com as
propriedades da célula e o número de Biot, e o foco era estimar as propriedades
termofísicas do líquido.
Foram examinados os casos envolvendo uma sonda com capacidade térmica
volumétrica alta e baixa. No caso da sonda com capacidade térmica volumétrica alta
utilizaram-se medidas de temperatura de um sensor no interior da sonda para a
estimativa dos parâmetros. No entanto, no caso da sonda com capacidade térmica
volumétrica baixa foi necessário usar as medidas de um segundo sensor junto com as
medidas da sonda para poder estimar os parâmetros do fluido e da sonda. Neste último
caso as estimativas foram bem mais acuradas do que o caso que envolveu só as medidas
de temperatura da sonda. Devido à alta sensibilidade da solução do problema inverso às
86
incertezas relativas à posição do sensor, estimou-se a sua posição do segundo sensor
junto com os parâmetros.
Á partir dos resultados de estimativas obtidos neste trabalho, conclui-se que
o uso da inferência Bayesiana e a proposta metodologia resultaram em excelentes
resultados. Observou-se que as melhores estimativas foram obtidas para o caso
envolvendo medidas simuladas disponíveis de uma sonda com capacidade térmica
volumétrica baixa, juntas com as medidas de um segundo sensor. Por outro lado, notou-
se que a estimativa simultânea da posição do sensor e dos parâmetros não afeitou a
acurácia da solução do problema inverso investigada.
É importante notar que embora os coeficientes de sensibilidade da
capacidade térmica volumétrica serem relativamente baixos, conseguiu-se obter
estimativas acuradas dessa mesma. Os resultados obtidos mostram a robustez do
algoritmo e da metodologia proposta.
Sugere-se em trabalhos futuros a realização de experimentos otimizados com
líquidos, em particular com os nanofluidos, baseados nesta investigação a fim de se
obter medidas experimentais para a validação da metodologia proposta.
87
REFERÊNCIAS BIBLIOGRAFICAS
ANDRÉ S., REMY B., PEREIRA F. R., CELLA N., NETO A. J. S., 2002, “ Hot
Wire Method for the Thermal Characterization of Materials: Inverse Problem
Application”, Engenharia Térmica, no 4, pp.55-64.
ASME V&V 20-2009, “Standard for Verification and Validation in Computational
Fluid Dynamics and Heat Transfer’’, The American Society of Mechanical Engineers,
Three Park Avenue, New York, NY
BANASZKIEWICZ M., SEIFERLIN K., SPOHN T., KARGL G., KOMLE N.,
1997, “A New Method for the Determination of Thermal Conductivity and Thermal
Diffusivity from Linear Heat Source Measurements”, Rev. Sci. Instrum. 68 (11) pp.
4184-4190
BLACKWELL, J.V., 1954, “A Transient-Flow for the Determination of Thermal
Constants of Insulating Materials in Bulks‟‟, Journal of Applied Physics, v.25, pp.137-
144
BUONGIORNO J., VENERUS D. et al., 2009, “A Benchmark Study on the Thermal
Conductivity of Nanofluids”. Journal of Applied Physics, v.106, 094312
CARVALHO D. G., NETO A. J. S., 1999, “An Inverse Analysis for Polymers
Thermal Properties Estimations‟‟, In: Proceedings of the 3rd
Int. Conference on Inverse
Problems in Engineering, June 13-18, Port Ludlow, WA, USA
CHANDRASEKAR M. , SURESH S., 2009 „‟ A Review on the Mechanisms of
Heat Transport in Nanofluids‟‟, Heat Transfer Engineering, 30:14, 1136-1150.
CHANDRASEKAR, M., SURESH, S., CHANDRA, B. A., 2010, “Experimental
Investigations and Theorical Determination of Thermal Conductivity and Viscosity of
Al2O3/Water Nanofluids‟‟, Experimental Thermal and Fluid Science 34 210-216,
pp.211-215.
CHOI S.U.S, 1995, “Enhancing Thermal Conductivity of Fluids with
Nanoparticles‟‟, Developments and Applications of Non-Newtonian Flows, FED-v.
231/MD- v. 66, ASME, New York, pp.99-105
88
CODREANU C., CODREANU N.-I, OBREJA V. V. N., 2007, “Experimental Set-
Up for the Measurement of the Thermal Conductivity of Liquids‟‟, Romanian Journal
of Information Science and Technology v. 10, No 3, 2007, pp. 215-231
DUANGTHONGSUK, W., WONGWISES, S., 2009, “Measurement of
Temperature-Dependent Thermal Conductivity and Viscosity of TiO2-Water
Nanofluids‟‟, Experimental Thermal and Fluid Science 33 706-714 pp. 707-713
EASTMAN, J. A., CHOI, S. U. S., LI, S., THOMPSON, L. J., 1997, “Enhanced
Thermal Conductivity Through the Development of Nanofluids”, In: Proceedings of the
Symposium Nanophase and Nanocomposite Materials II, Materials Research Society,
Boston, 457, 3-11
FGUIRI, A., DAOUAS, N., BORJINI, N., RADHOUANI, M-S., AISSIA, H. B.,
2007 „‟Experimental Inverse Analysis for the Determination of Boundary Conditions in
the Parallel Hot Wire Technique‟‟, Experimental Thermal and Fluid Science v.31 pp.
209-220
FONSECA H. M. D., 2007, “Caracterização Termofísica de Nanofluidos‟‟,
Dissertação de M.Sc. COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.
FONSECA H. M. D., ORLANDE H. R. B, COTTA R. M. , 2007,‟‟ Measurements of
Nanofluids Physical‟s Properties‟‟, Proceedings of the 19th International Congress of
Mechanical Engineering, November 5-9, Brasilia, DF
FUDYM, O., ORLANDE, H. R. B, BAMFORD, M., BATSALE J. C., 2008,
‘‟Bayesian Approach for Thermal Diffusivity Mapping from an Infrared Images with
Spatially Random Heat Pulse Heating‟‟, Journal of Physics: Conference Series 135,
012042
HADAMARD, J., 1923, Lectures on Cauchy‟s Problem in Linear Differential
Equations, Yale University Press, New Haven, CT.
JIN, B., 2008, „‟Stochastic Numerical Methods for Inverse Problems‟‟, <
http://www6.cityu.edu.hk/ma/events/conference/ icam2008/abstract/jin,bangti.pdf>
KAIPIO, J., SOMERSALO, E., 2004,”Statistical and Computational Inverse
Problems‟‟, Applied Mathematical Sciences 160, Springer-Verlag.
89
KARTHIKEYAN, N. R., PHILIP, J., RAJ, B., 2008, “Effect of Clustering on the
Thermal Conductivity of Nanofluids”, Materials Chemistry and Physics 109 pp.50-55
LEE, P. M., 2004, Bayesian Statistics, Oxford University Press, London.
LEONG K. C., MURSHED S. M. S, YANG C., 2006 „‟ Experimental and Analytical
Investigations of Thermophysical Properties of Nanofluids‟‟, In: Proceedings of 13th
International Heat Transfer Conference, Sydney, Australia, 13-18 August.
MALISKA C. R., 2004, Transferência de Calor e Mecânica dos Fluidos
Computational, 2a Edição, Rio de janeiro, LTC.
MASUDA, H., EBATA, A., TERAMAE, K., HISHINUMA, N., 1993.‟‟ Alteration
of Thermal Conductivity of Liquids by Dispersing Ultra-fine Particles‟‟, Netsu Bussei 4
(4), 227-233
MINTSA, H. A., GILLES R., NGUYEN C. N., DOUCET D., 2009.‟‟New
Temperature-Dependent Thermal Conductivity Data for Water-Based Nanofluids‟‟,
International Journal of Thermal Sciences 48 363-371 pp. 364-370
MOTA, C. A. A, ORLANDE H. R. B., DE CARVALHO, M. O. M,
KOLEHMAINEN, V. KAIPIO, J. P., 2009, „‟Bayesian Estimation of Temperature-
Dependent Thermo Physical Properties and Transient Boundary Heat Flux‟’, Heat
Transfer Engineering, v.31 No.7, pp.1-11.
MURSHED, S. M. S, LEONG K. C, YANG C. 2008 ‘‟Thermophysical and
Electrokinetic Properties of Nanofluids- A Critical Review‟‟, Applied Thermal
Engineering 28 2109-2125
NAVEIRA-COTTA, C. P., ORLANDE, H.R.B., COTTA, R.M., NUNES, R.M.,
2010, “Integral Transforms, Bayesian Inference, and Infrared Thermography in the
Simultaneous Identification of Variable Thermal Conductivity and Diffusivity in
Heteregeneous Media”, In: Proceedings of the 14th
International Heat transfer
Conference, August 8-13, Washington, DC, USA.
NETZSCH, Instruments Inc., Burlington, MA, USA: Instructions Manual LFA 447/1
NanoflashTM
, 12/2002
90
ORLANDE H. R. B., COLAÇO M. J., DULIKRAVICH G. S., 2008 „‟ Bayesian
Estimation of the Thermal Conductivity Components of Orthotropic Solids ‟‟, In: V
Congresso Nacional de Engenharia Mecânica, 18 a 22 de agosto - Salvador-Bahia-
Brasil.
OZISIK M. N., 1993, Heat Conduction, 2nd
Edition, Wiley, New York.
OZISIK M. N. , ORLANDE H. R. B., 2000, .Inverse Heat Transfer: Fundamentals
and Applications, Taylor and Francis, New York.
PARTHASARATHY, S., BALAJI, C, 2008,‟‟ Estimation of Parameters in Multi-
Mode Heat Transfer Problems using Bayesian Inference –Effect of Noise and a Priori‟‟,
International Journal of Heat and Mass transfer, v.51, pp. 2113-2334
PATANKAR, S. V., 1980, Numerical Heat Transfer and Fluid Flow, Minkowycz,
W.J. and Sparrow, E.M. Editors.
PATEL, H. E, DAS, S. K., SUNDARAJAN, T., 2003, “Thermal Conductivity of
Naked and Monolayer Protected Metal Nanoparticle Base Nanofluids”: Manifestation
of Anomalous Enhancement and Chemical Effects‟‟ Applied Physics letters, v. 83, no
14, pp. 2931
ROY, G. NGUYEN, C. T., DOUCET D., SUIRO S., MARÉ T., 2007, „‟
Temperature Dependent Thermal Conductivity Evaluation of Alumina Based
Nanofluids‟‟ In: Proceedings of 13th
International Heat Transfer Conference, Sydney,
Australia, 13-18 August.
SASSI, M. B. H, SANTOS, C. A. C. D., SILVA E. D. Z., GURGEL, J. M., JUNIOR,
J. P. A., 2009 „‟ Heat Conduction Models for the Transient Hot Wire Technique‟‟ High
Temperatures-High Pressures, v.38, pp. 97-117
SOUZA R, ORLANDE H.R.B., PIMENTEL L.C.G, 1999, „‟Determinação da
Condutividade Térmica Utilizando o Método da Sonda Linear‟‟, In: XV Congresso
Brasileiro de Engenharia Mecânica, Novembro 22-26, Água de Lindóia, SP, Brasil
TAN, S., FOX, C., NICHOLLS G., 2006, Inverse Problems, Course Notes for
Physics 707, University of Auckland.
91
THOMSON, N. H., ORLANDE H. R. B., 2006, “Computation of Sensitivity
Coefficients and Estimation of Thermophysical Properties with the Line Heat Source
Method‟‟, In: Proceedings of the 3rd
European Conference on Computational
Mechanics Solids, Structures and Coupled Problems in Engineering, Lisbon, Portugal.
THOMSON, N. H., 2006, Análise Teórico-Experimental para a Identificação de
Propriedades Termofísicas com a Técnica da Sonda-Linear, Dissertação de M.Sc.,
COPPE/UFRJ, Rio de Janeiro, Brasil.
TP02, 2001, Non-steady-state Probe for Thermal conductivity Measurement, User‟s
Manual Hukseflux Thermal Sensors, The Netherlands.
WANG J., ZABARAS N., 2004, “Spatial Statistics Models for Stochastic Inverse
Problems in Heat Conduction‟‟, In: Proceedings of the 9th
ASCE Specialty Conference
on Probabilistic mechanistic and Structural Reliability.