Thesis: Reconstrucción de campos de temperatura y velocidad en llamas axisimétricas mediante sparse sensing y redes neuronales informadas por la física
| datacite.subject.fos | Engineering and technology::Mechanical engineering | |
| datacite.subject.fos | Natural sciences::Computer and information sciences::Computer sciences | |
| datacite.subject.fos | Engineering and technology::Mechanical engineering::Thermodynamics | |
| dc.contributor.correferente | Demarco Bull, Rodrigo Andres | |
| dc.contributor.department | Departamento de Industrias | |
| dc.contributor.guia | Escudero Barros, Felipe Andres | |
| dc.coverage.spatial | Campus Casa Central Valparaíso | |
| dc.creator | López Lozano, Constanza Delén | |
| dc.date.accessioned | 2025-08-11T19:08:34Z | |
| dc.date.available | 2025-08-11T19:08:34Z | |
| dc.date.issued | 2025-08-07 | |
| dc.description.abstract | Este trabajo presenta una metodología combinada - denominada SSPINNs, que integra la aplicación de Sparse sensing (SS) y redes neuronales informadas por la física (PINNs), para la reconstrucción de campos de temperatura y velocidad en llamas axisimétricas. Mediante SS es posible determinar las posiciones óptimas para un número limitado de mediciones puntuales en regiones libres de hollín, por ejemplo con termocuplas, complementadas con técnicas óptimas no intrusivas basadas en la emisión espectral del soot , el cual solo provee de información en la región de hollín. Se genera una base de datos de campos de temperatura y fracción en volumen de hollín a partir de simulaciones detallas de llamas que incluyen la una cinética química extensa y mecanismos de formación de partículas. Esta base de datos es aumentada con varaciones aleatorias en su distribución espacial, en magnitud y geometría, dentro de los rangos físico esperados. Usando estos datos, se emplea la descomposición en valores singulares (SVD) para reducir la dimensionalidad, mientras que se hace uso de la descomposición QR para indentificar las posiciones óptimas para los sensores. Este enfoque garantiza una configuración experimental factible para obtener la información de la temperatura en las regiones libre de hollín. Con estas mediciones estatégicamente posicionadas, se reconstruye el campos de temperatura en todo el dominio, aprovechando la aproximación de bajo rango proporcionada por la SVD. Posteriormente, se entrena una PINN a partir del campo de temperatura reconstruido para resolver ecuaciones de transporte de momentum, masa y energía para encontrar el campo de velocidad correspondiente. El método es demostrado en una llama de coflujo en un quemador tipo Yale y validado en un quemador tipo Santoro, donde está disponible la data experimental de velocidad y temperatura. Los resultados muestran que SSPINNs puede estimar la temperatura a partir de las mediciones dispersas de forma confiable, y aproximar con precisión el campo de velocidad sin la necesidad de técnicas experimentales más sofisticadas, como velocimetría por imágenes de partículas (Particle Image Velocimetry, PIV). Por lo tanto, la metodología ofrece una vía prometedora para la caracterización eficiente y basada en datos en sistemas de combustión. | es |
| dc.description.abstract | This work presents a combined methodology—referred to as SSPINNs—that integrates optimal sensor placement via sparse sensing (SS) with physics-informed neural networks (PINNs) to reconstruct temperature and velocity fields in axisymmetric flames. The SS procedure determines optimal positions for a limited number of point measurements taken in soot-free regions (e.g., via thermocouples), complementing widely used non-intrusive optical techniques based on soot spectral emission, which only provide data within the sooting region. A database of temperature and soot volume fraction fields is generated from detailed flame simulations that include comprehensive chemical kinetics and particle production mechanisms. This dataset is further augmented with randomized variations in spatial distribution, magnitude, and geometry, within physically expected ranges. Using this augmented dataset, a singular value decomposition (SVD) is employed to reduce dimensionality, while a QR decomposition is used to identify optimal sensor locations. This approach ensures a feasible experimental setup for obtaining complementary temperature information in soot-free regions. With these strategically placed measurements, temperature fields are reconstructed across the entire flow domain leveraging the low-rank approximation provided by the previous SVD. Subsequently, a PINN is trained on the reconstructed temperature field to solve the coupled mass, momentum, and energy transport equations, thereby inferring the corresponding velocity field. The method is demonstrated on a coflow flame from a Yale-type burner and validated on the well-known Santoro flame, where both experimental temperature and velocity data are available. Results show that SSPINNs can reliably estimate temperature from sparse measurements and accurately approximate velocity fields without the need for more sophisticated experimental techniques like particle image velocimetry. Therefore, this methodology offers a promising avenue for efficient, data-driven flow characterization in combustion systems. | en_US |
| dc.description.degree | Magíster en Ciencias de la Ingeniería Industrial | |
| dc.driver | info:eu-repo/semantics/masterThesis | |
| dc.format.extent | 58 páginas. | |
| dc.identifier.doi | 10.71959/sb8v-rf64 | |
| dc.identifier.uri | https://cris.usm.cl/handle/123456789/3936 | |
| dc.identifier.uri | https://doi.org/10.71959/sb8v-rf64 | |
| dc.language.iso | es | |
| dc.publisher | Universidad Técnica Federico Santa María | |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Reconstrucción de campos de temperatura | |
| dc.subject | ubicación de sensores dispersos | |
| dc.subject | descomposición QR | |
| dc.subject | PINNs | |
| dc.subject | temperatura del hollín | |
| dc.subject | llamas de difusión laminar | |
| dc.subject.ods | 7 Energía asequible y no contaminante | |
| dc.subject.ods | 9 Industria, innovación e infraestructura | |
| dc.subject.ods | 12 Producción y consumo responsables | |
| dc.subject.ods | 11 Ciudades y comunidades sostenibles | |
| dc.subject.ods | 13 Acción por el clima | |
| dc.title | Reconstrucción de campos de temperatura y velocidad en llamas axisimétricas mediante sparse sensing y redes neuronales informadas por la física | |
| dspace.entity.type | Tesis |
Política de Privacidad 
