LOGIN / Acesse o sistema

Esqueceu sua senha? Redefina aqui.

Ainda não possui uma conta? Cadastre-se aqui!

REDEFINIR SENHA

Insira o endereço de email associado à sua conta que enviaremos um link de redefinição de senha para você.

Ainda não possui uma conta? Cadastre-se aqui!

Este conteúdo é exclusivo para membros ABCM

Inscreva-se e faça parte da comunidade

CADASTRE-SE

Tem uma conta?

Torne-se um membros ABCM

Veja algumas vantagens em se manter como nosso Associado:

Acesso regular ao JBSMSE
Boletim de notícias ABCM
Acesso livre aos Anais de Eventos
Possibilidade de concorrer às Bolsas de Iniciação Científica da ABCM.
Descontos nos eventos promovidos pela ABCM e pelas entidades com as quais mmantém acordo de cooperação.
Estudantes de gradução serão isentos no primeiro ano de afiliação.
10% de desconto para o Associado que pagar anuidade anntes de completar os 12 meses da última anuidade paga.
Desconto na compra dos livros da ABCM, entre eles: "Engenharia de Dutos" e "Escoamento Multifásico".
CADASTRE-SE SEGUIR PARA O VIDEO >

Tem uma conta?

Eventos Anais de eventos

Anais de eventos

COBEM 2021

26th International Congress of Mechanical Engineering

Estimation of Atmospheric Emissions by an Adaptive Monte Carlo Markov Chain Method

Submission Author: Roseane Albani , RJ
Co-Authors: Roseane Albani, Vinicius Albani, Helio Migon, Antônio Silva Neto
Presenter: Roseane Albani

doi://10.26678/ABCM.COBEM2021.COB2021-0623

 

Abstract

The release of toxic gases into the atmosphere is a subject of great environmental concern. Such releases might occur in several ways, including in regular industrial activities and accidents. The proper identification of the origin and the quantity of released harmful materials is essential particularly in emergencies to avoid or reduce possible damages. To address such a relevant inverse problem, this work proposes a combination of accurate numerical techniques to model the dispersion in the atmosphere and to estimate emission sources from atmospheric releases. Considering a Bayesian inference framework, we propose the use of an adaptive Metropolis in Gibbs algorithm to estimate the sources and the so-called precision of the concentration measurements. The predicted concentrations necessary to solve this inverse problem are obtained from the numerical solution of an advection-diffusion partial differential equation given by a stabilized finite element method. The performance of the proposed algorithm is evaluated against experimental datasets.

Keywords

Source Identification, Bayesian inference, Adaptive MCMC, Computational Fluid Dynamics CFD

 

DOWNLOAD PDF

 

‹ voltar para anais de eventos ABCM