Descrição da base de dados UIUC

Este projeto de extensão apresenta um modelo de ordem reduzida para previsão de coeficientes aerodinâmicos e previsão de ruído de hélice a partir do treinamento de uma rede neural utilizando os dados de desempenho de hélice da base de dados da empresa APC Propellers e também compara a previsão de ruído com dados experimentais disponível em [1]. Diferente dessa aplicação, aqui é descrita a base de dados de desempenho de hélice disponibilidade pela Universidade de Illinois [2], com dados experimentais.

Base de Dados

Os dados escolhidos para o desenvolvimento do projeto foram selecionados do site da Universidade de Illinois (UIUC) [2]. Neste site, são descritas medições do desempenho de hélices em túneis de vento. É importante notar que as hélices escolhidas para os testes possuem dimensões relativamente menores, por serem de aeromodelos e drones.

Alguns modelos de hélices disponíveis na base de dados são: APC Slow Flyer, APC Sport, APC Thin Electric, Graupner CAM, Graupner CAM Slim, Graupner Slim, Graupner Super Nylon, GWS Direct Drive, GWS SlowFlyer, KP Folding, Micro Invent 2 and 3 Blade, Plantraco, Union U-80 e Aero-Naut CAM folding propellers. No entanto, algumas hélices não foram incluídas no estudo do projeto, como a KP Folding, Plantraco, Union U-80 e E-Flite. A retirada de alguns modelos da base de treinamento está relacionada à aplicação ou geometrias dispares em comparação às outras hélices, por exemplo as folding propellers.

Assim como descrito em [3,4], os dados utilizados foram obtidos em ensaios em túneis de vento subsônicos com baixa turbulência. O desempenho da hélice foi medido por meio de uma balança de tração e torque. No caso da tração, a medição ocorreu com um pêndulo restrito por uma célula de carga. O torque foi medido por um transdutor com com sensor de reação do torque (RTS). Já a rotação da hélice foi medida através de um raio laser passando pela área da hélice até um fototransistor.

Os dados de desempenho estão apresentados em termos de coeficientes adimensionais Ct (coeficiente de tração) e Cp (coeficiente de potência), descritas na referência [3] como:

Ct = \frac{T}{\rho n^2 D^4}

Cp = \frac{P}{\rho n^3 D^5} com P = 2\pi n Q

Sendo T a tração, P a potência, Q o torque, n a rotação da hélice, e \rho a densidade do ar.

Diversos gráficos foram criados relacionando Cp e Ct com a razão de avanço, possibilitando um entendimento melhor do desempenho das hélices. Portanto, tem-se uma base de dados confiável para a análise.

Com o intuito de estabelecer uma base de dados em que os efeitos de escala poderiam ser desprezados, optou-se por representar esses dados em termos dos parâmetros e coeficientes adimensionais. Além disso, o escoamento ficou mais fácil de ser estudado com a redução dos parâmetros.

Portanto, a partir dos seguintes dados de entrada: rotação, diâmetro, Passo e velocidade, foram obtidos os seguintes parâmetros:

  • Reynolds:  Re = \frac{D^2\pi n}{2v}
  • Mach de ponta de asa: M_{t} = \frac{D\pi n}{c_{0}}
  • Razão passo diâmetro: J_d = \frac{Passo}{D}
  • Razão de avanço: J =\frac{V_{0}}{nD}

Sendo D o diâmetro da hélice, n a rotação, V_{0} a velocidade do escoamento e Passo da hélice.

A distribuição dos dados para as hélices escolhidas pode ser observada na figura abaixo, que compara Reynolds, Mach de ponta de asa, razão de avanço e razão passo diâmetro para hélices com 2, 3 e 4 pás.

Os gráficos evidenciam que o domínio de casos representados pelos dados possui algumas limitações, por exemplo, para altos números de Reynolds não existem hélices com razão de avanço alta. Pelos histogramas, nota-se também, que as amostras estão concentradas em valor medianos e baixos das variáveis.

Além disso, conclui-se que a maioria das hélices são bi-pá. No entanto, devido à presença de hélices com 3 e 4 pás, os coeficientes de tração e potência foram normalizados pelo número de pás presente em cada hélice. Assim, o valor resultante do modelo deve ser multiplicado pelo número de pás que se deseja para a hélice.

Com esses parâmetros, foi possível treinar de forma ágil a rede neural para obter uma previsão razoável dos coeficientes. A explicação do treinamento da rede neural pode ser vista nesta página. A organização dos dados da base de dados foi feita em Python utilizando o módulo Pandas para definir um DataFrame que facilita ao usuário acessar e filtrar os dados para os estudos desejados. Os dados estão disponíveis em Dados.

Referências

[1] Casalino, D., Grande, E., Romani, G., Ragni, D. and Avallone, F., 2021. “Definition of a benchmark for low reynolds number propeller aeroacoustics”. Aerospace Science and Technology, Vol. 113. ISSN 12709638. doi:10.1016/j.ast.2021.106707.

[2] J.B. Brandt, R.W. Deters, G.K. Ananda, O.D. Dantsker, and M.S. Selig, UIUC Propeller Database, Vols 1-4, University of Illinois at Urbana-Champaign, Department of Aerospace Engineering. Acesso em: https://m-selig.ae.illinois.edu/props/propDB.html.

[3] Brandt, J. B., “Small-Scale Propeller Performance at Low Speeds,” M.S. Thesis, Department of Aerospace Engineering, University of Illinois at Urbana-Champaign, Illinois, 2005.

[4] Brandt, J.B. and Selig, M.S., “Propeller Performance Data at Low Reynolds Numbers,” 49th AIAA Aerospace Sciences Meeting, AIAA Paper 2011-1255, Orlando, FL, January 2011.

 

  • Desenvolvido com o CMS de código aberto Wordpress
  • Última atualização do site foi em 26 de março 2026 - 9:38:11