Aprofundando a compreensão de escoamentos aerodinâmicos não-estacionários por meio de simulações de alta fidelidade, modelagem analítica e técnicas de aprendizado de máquina profundo

• Processo: 22/09196-4
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de setembro de 2022
• Data de Término da vigência: 30 de abril de 2026
• Área de conhecimento: Engenharias - Engenharia Aeroespacial - Aerodinâmica
• Pesquisador responsável: William Roberto Wolf
• Beneficiário: Renato Fuzaro Miotto
• Instituição Sede: Faculdade de Engenharia Mecânica (FEM). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 13/08293-7 - CECC - Centro de Engenharia e Ciências Computacionais, AP.CEPID
• Bolsa(s) vinculada(s): 23/13431-1 - Análise de escoamentos não estacionários através de imagens e funções neurais implícitas, BE.EP.PD
• Assunto(s): Aerodinâmica não estacionária Aprendizado computacional Modelos matemáticos Escoamento Aprendizagem profunda Estol
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | estol dinâmico | modelagem matematica | simulação de alta fidelidade | Aerodinâmica não-estacionária

Resumo

Os forças aerodinâmicas não-estacionárias geradas durante o estol dinâmico têm um papel crítico na determinação da vida mecânica útil e do desempenho de dispositivos de sustentação, como rotores de helicópteros e pás de turbinas eólicas. Para controlar essas forças, é necessário tanto uma compreensão das condições do escoamento não-estacionário, bem como fornecer mecanismos para prescrever as interações entre escoamento e asa. A caracterização e análise dessas interações é complicada devido à ampla faixa de escalas temporais e espaciais que surgem no estol dinâmico. Não é surpresa que, até agora, os pesquisadores tenham encontrado dificuldades para obter soluções analíticas preditivas para essa classe de escoamentos. Embora potencialmente acuradas, as simulações numéricas de escoamentos não-estacionários envolvendo separação requerem enorme poder computacional e a aplicação de métodos numéricos sofisticados. Experimentos também são complexos e demorados, além de apresentarem custos ainda mais elevados e incertezas de medição. Dessa forma, o amplo espaço paramétrico possível dificulta a caracterização dos escoamentos com estol dinâmico por meios computacionais ou experimentais. O surgimento de técnicas de aprendizado de máquina pode permitir que avanços sejam feitos para se obter modelos preditivos dessa classe de escoamentos. A era do big data e data science, juntamente com o maior poder de computação tem permitido o emprego de técnicas de aprendizado de máquina em aplicações de dinâmico dos fluidos não-estacionária. Por esta razão, essas técnicas serão usadas almejando encontrar uma relação de mapeamento entre as estruturas do escoamento e as respostas de aerofólios em movimento. O estol dinâmico será a aplicação principal, mas os conceitos aqui desenvolvidos podem ser facilmente estendidos para outros ramos da dinâmica de fluidos. Neste trabalho, pretendemos reutilizar ou transferir informações de tarefas aprendidas anteriormente para extrair informações quantitativas de visualizações de escoamento disponíveis. Apesar dos avanços substanciais na mecânica dos fluidos experimental, o uso de medições para inferir de forma confiável as propriedades do escoamento, como densidade, velocidade, pressão ou componentes de tensões, não é uma tarefa simples. Esta informação, porém, é natural para os praticantes de dinâmica dos fluidos computacional. Assim, em nosso estudo, abordaremos a questão de usar as informações aprendidas em conjuntos de dados de simulações numéricas para extrair propriedades de escoamentos obtidos através de experimentos que até então seriam muito complicadas ou até impossíveis de obter. (AU)

Publicações científicas

(6)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

MIOTTO, RENATO; WOLF, WILLIAM; GAITONDE, DATTA; VISBAL, MIGUEL. Pitch-Plunge Equivalence in Dynamic Stall of Ramp Motion Airfoils. ENERGY AND BUILDINGS, v. 277, p. 14-pg., 2022-11-14. (22/09196-4, 13/08293-7, 21/06448-0, 17/10795-1, 19/02335-6, 13/07375-0)

MIOTTO, RENATO F.; WOLF, WILLIAM R.. Flow imaging as an alternative to non-intrusive measurements and surrogate models through vision transformers and convolutional neural networks. Physics of Fluids, v. 35, n. 4, p. 18-pg., 2023-04-01. (22/09196-4, 13/08293-7, 21/06448-0, 13/07375-0)

FEITOSA, LUCAS; MIOTTO, RENATO; WOLF, WILLIAM. Analysis of dynamic stall for a simplified single blade vertical axis wind turbine configuration. AIAA AVIATION FORUM AND ASCEND 2024, v. N/A, p. 10-pg., 2024-01-01. (22/08567-9, 13/07375-0, 13/08293-7, 22/09196-4, 21/06448-0)

MIOTTO, RENATO; WOLF, WILLIAM; GAITONDE, DATTA; VISBAL, MIGUEL. Pitch-Plunge Equivalence in Dynamic Stall of Ramp Motion Airfoils. AIAA JOURNAL, v. 61, n. 1, p. 15-pg., 2023-01-01. (22/09196-4, 13/08293-7, 21/06448-0, 17/10795-1, 19/02335-6, 13/07375-0)

MIOTTO, RENATO; ZIGUNOV, FERNANDO; WOLF, WILLIAM. Assessment of Pressure Estimation Methods Using Image Velocimetry Data: Insights from Unstructured Mesh Analysis. AIAA AVIATION FORUM AND ASCEND 2024, v. N/A, p. 13-pg., 2024-01-01. (13/08293-7, 22/09196-4, 21/06448-0, 23/13431-1)

FEITOSA, LUCAS; MIOTTO, RENATO; WOLF, WILLIAM. Analysis of intermittent vortex pairing for a transitional flow past a NACA0012 airfoil via a multidimensional empirical mode decomposition. AIAA AVIATION FORUM AND ASCEND 2024, v. N/A, p. 9-pg., 2024-01-01. (13/08293-7, 22/09196-4, 21/06448-0, 22/08567-9)