Problemas inversos aplicados a sistemas rotativos, considerando incertezas dos parâmetros

• Processo: 13/07542-3
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de agosto de 2013
• Data de Término da vigência: 31 de janeiro de 2016
• Área do conhecimento: Engenharias - Engenharia Mecânica - Mecânica dos Sólidos
• Pesquisador responsável: Helio Fiori de Castro
• Beneficiário: Helio Fiori de Castro
• Instituição Sede: Faculdade de Engenharia Mecânica (FEM). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Inferência bayesiana Problemas inversos Algoritmos genéticos Rotor
• Palavra(s)-Chave do Pesquisador: Ajuste de Modelo | Algoritmos Genéticos Multi-objetivos | dinâmica de rotores | Inferência Bayesiana | mancais hidrodinâmicos | Problemas Inversos | Dinâmica de Rotores;

Resumo

Sistemas rotativas são componentes críticos de usinas de geração de energia, pois são essenciais para seu funcionamento. Portanto, o estudo e a modelagem de máquinas rotativas é de suma importância para o desenvolvimento do país, frente a demanda de energia prevista para anos vindouros. Modelos de máquinas rotativas têm sido desenvolvidos, onde o rotor é modelado pelo método dos elementos finitos e os mancais por diferenças finitas ou volumes finitos. Estes sistemas rotativos possuem característica estocásticas, o que dificulta a identificação de parâmetros através do ajuste de modelos (solução de problemas inversos), se considerado respostas determinísticas do modelo. Este projeto propõe o uso de técnicas de ajuste de modelo que levam em conta a característica estocástica do sistema. O primeiro método é a utilização de otimização multi-objetivo, de modo a obter uma região factível de respostas possíveis (conjunto de Pareto). Desta forma, pode-se avaliar o efeito de incertezas do modelo na variabilidade do conjunto ótimo de Pareto. A metodologia de otimização proposta é baseada em algoritmos evolutivos, como o MOGA (Multi-objective Genetic Algorithm) e o SPEA (Strength Pareto Evolutionary Algorithm). Outra abordagem proposta é aplicação de inferência Bayesiana. Neste caso os parâmetros a serem identificados podem ser relacionados com a distribuição a posteriori e suas informações iniciais com a distribuição a priori e a diferença entre a resposta do modelo e resultados experimentais é representada pela função de verossimilhança. A solução deste método pode ser obtida através de uma busca numérica pelo método de Monte Carlo via Cadeias de Markov (MCMC). Para a aplicação do ajustes de modelos, testes experimentais em bancada de laboratórios serão realizados, onde serão considerados parâmetros modais, função resposta em frequência e resposta ao desbalanceamento. (AU)