Detalhes bibliográficos
| Ano de defesa: |
2007 |
| Autor(a) principal: |
Ricardo Wallach |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Instituto Tecnológico de Aeronáutica
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=972
|
Resumo: |
Uma metodologia para a predição de coeficientes aerodinâmicos de aeronaves genéricas utilizando redes neurais artificiais foi desenvolvida e descrita. Coeficientes aerodinâmicos modelados como funções de ângulo de ataque, número de Reynolds e número de Mach fornecem informações para o treinamento das redes neurais artificiais. Em um dos casos estudados, os coeficientes são também função da geometria da asa da aeronave. No presente trabalho, a rede neural é inicialmente treinada a partir de um conjunto de dados apropriado, que é gerado com simulações numéricas, a fim de reproduzir o comportamento geral de um modelo não-linear dependente de uma grande quantidade de variáveis. Um novo conjunto de dados, o qual pode ser relativamente esparso, é então fornecido à rede a fim de verificar a consistência do novo modelo gerado. O novo modelo estima os parâmetros desejados com grande precisão dentro do espaço de projeto utilizado no treinamento, e a obtenção de resultados para uma configuração genérica se torna uma tarefa relativamente rápida e simples. Isto torna esta metodologia muito apropriada para a aplicação em ambientes de projeto e otimização multidisciplinar (MDO - Multi Disciplinary Optimization, em inglês), o qual faz uso intensivo de parâmetros aerodinâmicos para cálculos de desempenho e cargas, além de outras tarefas essenciais. Uma rede do tipo Perceptron de Múltiplas Camadas (Multilayer Perceptron, em inglês, ou MLP) foi adotada para prever a polar de arrasto do perfil NACA23012, considerando números de Reynolds entre 1x106 e 5x106. Este caso bidimensional também foi simulado utilizando uma Rede de Ligação Funcional (Functional Link Network, em inglês, ou FLN), a fim de comparar o desempenho e a precisão de ambas arquiteturas. De forma similar, uma rede MLP de 2 camadas foi utilizada para calcular o coeficiente de arrasto de um jato de transporte com geometria fixa. Nesta aplicação, a rede foi treinada com 99 pontos, cobrindo uma faixa de Mach de 0,20 a 0,82. O coeficiente de sustentação neste caso variou entre 0 e um limite superior que decresce em função do número de Mach. Uma terceira rede neural foi projetada para prever o arrasto de um conjunto asa-fuselagem com forma em planta da asa variável. Trabalhos futuros considerarão também a predição de arrasto em asas de geometria e perfilagem variáveis. |
