Previsão Do Perfil De Pressão Adimensionalizada Em Ressaltos Hidráulicos Por Algorítmos De Aprendizado De Máquina Com Dados Experimentais e Cfd

Abstract

Este trabalho apresenta uma abordagem baseada em aprendizado de máquina
(ML) para prever o perfil da pressão média adimensionalizada (p*) ao longo do
ressalto hidráulico. Foram utilizados dados experimentais e numéricos obtidos por
simulações com CFD, que, após interpolação por LOWESS, alimentaram o treinamento de quatro modelos regressivos: Random Forest (RF), Redes Neurais Artificiais (MLP), XGBoost (XGB) e Stacking Regressor (STK). Os modelos foram
avaliados nas abordagens global e por número de Froude (Fr), empregando as métricas R2, MSE e MAE. Os resultados indicaram que o Random Forest apresenta
desempenho robusto e consistente, com alta acurácia e coerência física. Embora
o modelo Stacking tenha obtido as melhores métricas em alguns casos, foram observadas discrepâncias não condizentes com o comportamento hidráulico esperado,
especialmente para valores elevados de x/hj. Como resultado, foi implementada uma
ferramenta que permite a geração de novos perfis de p* para valores intermediários
de Fr, com base na inferência estatística dos modelos treinados. Palavras-chave:
Aprendizado de máquina, Ressalto hidráulico, Random Forest, Pressão média ao
longo do ressalto hidráulico, Comportamento hidráulico.