Aprendizado de máquina e método de rede de vórtices para modelagem substituta em otimização multiobjetivo de asas

• Processo: 24/07804-2
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de agosto de 2024
• Situação: Interrompido
• Área de conhecimento: Engenharias - Engenharia Aeroespacial - Aerodinâmica
• Pesquisador responsável: Gabriel Pereira Gouveia da Silva
• Beneficiário: Gabriel Clemente Carrari
• Instituição Sede: Faculdade de Engenharia. Universidade Estadual Paulista (UNESP). Campus Experimental São João da Boa Vista. São João da Boa Vista , SP, Brasil
• Bolsa(s) vinculada(s): 24/19943-7 - Otimização do nível efetivo de ruído percebido em propulsão elétrica distribuída com redes neurais e rotação diferencial de hélices, BE.EP.IC
• Assunto(s): Aerodinâmica computacional
• Palavra(s)-Chave do Pesquisador: Aerodinâmica subsônica | Modelagem substituta | redes neurais informadas pela física | Aerodinâmica computacional

Resumo

Projetos aeronáuticos são inerentemente multidisciplinares e a otimização de uma tecnologia isoladamente pode afetar de maneira negativa outras tecnologias igualmente importantes da aeronave. Desta forma os projetos aeronáuticos se beneficiam de otimizações multiobjetivo e multidisciplinares que podem ser realizadas desde as primeiras fases do projeto. Entretanto, tais otimizações podem se tornar bastante demandantes de recursos computacionais quanto mais complexos forem os modelos das tecnologias simuladas no loop de otimização. Uma solução para aumentar a eficiência destas otimizações é a utilização de modelos substitutos, em especial os modelos baseados em aprendizado de máquina, que são capazes de aprender com exemplos e extrair padrões e comportamentos que podem ser utilizados para previsão e otimização. Este trabalho tem por objetivo a implementação de modelos substitutos baseados em aprendizado de máquina para otimização de asas subsônicas a partir de dados obtidos pelo método da rede de vórtices (VLM).