Pular para o conteúdo
Diego VolpattoLNCC / MCTI
PTEN
Menu
  • Sobre
  • Pesquisa
  • Publicações
  • Software
  • Ensino
  • Orientações
  • Grupos de pesquisa
  • Parcerias e projetos
  • Currículo
  • Curiosidades
    • Genealogia acadêmica
    • Aventuras musicais
  • Contato

Pesquisa

Métodos numéricos & meios porosos

Formulações de elementos finitos descontínuos, híbridos e estabilizados para escoamentos em meios heterogêneos.

Investigo problemas multiescala, acoplamento hidromecânico e modelos de dupla porosidade e permeabilidade, com aplicações em rochas e reservatórios.

Oito campos de magnitude da velocidade em um domínio quadrado, com cavidades circulares de frações de área entre zero e 0,70.
Escoamento Darcy–Brinkman em um meio poroso com cavidade circular: magnitude da velocidade para diferentes frações de área da cavidade. Caso sintético do voids, resolvido por elementos finitos P2/P1.
Fonte: documentação do voidsAmpliar figura
Software relacionado: voids

Termodinâmica computacional

Equilíbrio de fases e propriedades termofísicas, com equações de estado, modelos de coeficiente de atividade e ajuste a dados experimentais.

As aplicações incluem propriedades PVT de fluidos de petróleo, misturas com CO₂ e pontos de fulgor de biocombustíveis. No contexto da transição energética, a modelagem termodinâmica também se aplica à captura, utilização e armazenamento de carbono (CCUS) e ao armazenamento subterrâneo de hidrogênio (UHS).

Diagramas pressão-composição de metanol e benzeno, comparando dois modelos de redes neurais antes e depois do ajuste a dados experimentais.
Equilíbrio líquido–vapor de metanol + benzeno a 318,15 K no estudo GibbsFlashNN. Os painéis comparam Balance-Preserving FlashNN e GibbsFlashNN antes e depois da calibração experimental. Curvas contínuas e tracejadas representam as fases líquida e vapor; pontos indicam dados experimentais.
Fonte: estudo GibbsFlashNNAmpliar figura
Software relacionado: torch-flash

Aprendizagem de máquina científica (SciML)

Estudo como incorporar informação física ao aprendizado de máquina e integrar modelos aprendidos a simulações científicas.

Aprendizado sob demanda

Reúso de estados de equilíbrio e sensibilidades para acelerar cálculos durante a simulação. Novas avaliações completas são feitas quando a aproximação não atende ao critério de aceitação.

Estudo de transporte reativo com ODML

Termodinâmica híbrida

Modelos neurais com balanço material por construção e treinamento orientado por relações termodinâmicas, como Gibbs–Duhem. As aplicações incluem cálculos de flash e pontos de fulgor.

Estudo GibbsFlashNN

Métodos numéricos e informação física

Acoplamento de modelos aprendidos a solvers, incluindo relações constitutivas neurais e diferenciação automática. Avalio precisão, resíduos físicos e custo computacional em relação a soluções de referência.

Ferramentas de termodinâmica diferenciável

Diagrama de uma rede neural para ponto de fulgor: a previsão e os modelos de pressão de vapor e coeficientes de atividade alimentam o resíduo da equação de Liaw, incorporado à função de perda no treinamento.
Rede neural para ponto de fulgor com resíduo da equação de Liaw no treinamento. Pressão de vapor e coeficientes de atividade são fornecidos por modelos termodinâmicos. Figura reproduzida integralmente, sem alterações.
Souza, Volpatto, Barbosa Neto e Costa (2026), Fig. 3CC BY 4.0Ampliar figura

Transporte reativo & geoquímica

Acoplamento de escoamento, transporte de espécies e reações geoquímicas em meios porosos heterogêneos.

Os estudos integram Reaktoro e Firedrake para acompanhar a composição dos fluidos e a dissolução e precipitação de minerais.

Distribuição de calcita em azul e dolomita em laranja, comparando o algoritmo convencional e o aprendizado sob demanda em um meio poroso heterogêneo.
Calcita e dolomita durante uma simulação de transporte reativo: cálculo convencional à esquerda e aprendizado sob demanda (ODML) à direita. Os dois campos correspondem ao passo 1500, cerca de 1,43 dias de simulação.
Kyas et al. (2022), Fig. 3(c–d)CC BY 4.0Ampliar figura

Inferência & incertezas

Calibração Bayesiana, análise de sensibilidade e propagação de incertezas em modelos computacionais.

Estudo a identificação de parâmetros a partir de observações e seus efeitos sobre as previsões, com aplicações em sistemas dinâmicos e modelos epidemiológicos.

Séries temporais dos compartimentos de um modelo SEIRD, com observações de casos e óbitos e faixas de credibilidade ao redor das previsões.
Modelo epidemiológico aplicado ao Brasil, com dados de 2020. As curvas usam estimativas de máximo a posteriori (MAP), acompanhadas por intervalos de credibilidade de 95%.
Volpatto et al. (2021, publicação online), Fig. 3(a)Ampliar figura

© 2026 Diego Tavares Volpatto · LNCC / MCTI

Feito com SciAstro

Textos autorais: CC BY 4.0. Código: MIT. Logos e materiais de terceiros mantêm suas condições de uso. Licenciamento e créditos.