Modelos de ordem reduzida em eng. Aeroespacial

Contextualização

Nos últimos anos, a utilização de drones e de outros veículos aéreos não tripulados (UAV) em zonas povoadas tem crescido de tal forma que a sua utilização pode ser vista mesmo em tarefas comuns do quotidiano e as expectativas recentes sugerem que a utilização destes veículos nas zonas urbanas tende a aumentar. Ayamga et al. (2021) discutem que o aumento da sua utilização está relacionado com a sua qualidade multitarefa, estando presente em diversas áreas da sociedade, como setores produtivos, agrícolas e militares.

Por outro lado, o ruído gerado por estes veículos tornou-se uma preocupação crítica, uma vez que estudos recentes indicam que o ruído relacionado ao tráfego pode causar problemas associados à saúde pública. De acordo com Fritschi et al. (2011), a exposição a esse ruído em excesso pode afetar fortemente a qualidade de vida da população e, além disso, estima-se que nos próximos anos essa exposição poderá agravar os casos de doenças isquêmicas do coração e distúrbios do sono. Com o objetivo de conter este problema a Organização da Aviação Civil Internacional (ICAO) tem vindo a restringir gradualmente os níveis de ruído admissíveis gerados pelos veículos aéreos.

A descrição da base de dados, sua normalização e a aplicação do método de redes neurais para a regressão dos dados estão disponíveis no link.

Ruído tonal 

Nesse sentido, espera-se analisar o ruído gerado por essas aeronaves, dando ênfase à principal fonte de ruído desses veículos, que são suas hélices em rotação. Trabalhos pioneiros no assunto como os de Gutin (1948) e Deming (1940), chegaram a conclusão de que esse ruído é predominantemente tonal, com harmônicos discretos caracterizados como múltiplos inteiros da frequência de passagem de pá (em inglês, blade pass frequency – BPF). Não obstante, há ainda a contribuição do ruído de banda larga.

Esse ruído tonal, em condição de baixas BPFs, pode ser separado em duas componentes, uma de espessura e outra de carregamento.

Figura 1: Representação esquemática do ruído gerado por um hélice.

Ruído de espessura

O ruído de espessura é caracterizado pelo deslocamento periódico do fluido gerado pela passagem cíclica do volume da pá, onde a amplitude desse ruído é proporcional a esse volume.

Ruído de carregamento

Já o ruído de carregamento é caracterizado pela passagem cíclica dos carregamentos aerodinâmicos de tração e torque presentes da superfície da hélice, essa perturbação é responsável pela geração do ruído.

Modelo de Hanson para previsão de ruído

Nesse sentido, Hanson desenvolveu um modelo semi-analítico de previsão de ruído tonal de hélices que utiliza como dados de entrada as informações de geometria e de carregamento contidas na hélice.

Previsão de performance de hélice por rede neural:

Visando conhecer melhor e ter a capacidade de prever as características de performance de uma hélice, foram desenvolvidas redes neurais que apresentaram como dados de entrada os fatores geométricos e as condições de operação as quais a hélice estava submetida e, desse modo, foi possível realizar o treinamento delas a partir da base de dados de performance estabelecida pela fabricante APC^TM.

Figura 2: Representação esquemática de uma rede neural (Lopes, 2021).

Com o propósito de selecionar as redes neurais que melhor conseguiram replicar o comportamento definido pela base de dados, aplicou-se o método de validação cruzada repeated k-Fold e, desse modo, foi possível selecionar duas redes neurais, uma para a previsão de tração e outra para a previsão de potência da hélice.

Figura 3: Diagrama do método  repeated k-Fold (Lopes, 2021).

Resultados

Para realizar a aplicação do modelo de redes neurais, utilizou-se 15 diferentes arquiteturas de redes neurais e, finalmente, avaliou-se a acurácia de cada uma da forma apresentada pela figura 4, onde é possível notar que os erros médios quadráticos atrelados às redes de previsão dos coeficientes de tração e potência apresentaram ordem de grandeza de $latex  10^{-4}$.

Figura 4: Resultados da validação cruzada para os modelos de tração e potência.

Utilizando os dados experimentais fornecidos por Casalino et al. (2021), foi possível avaliar a qualidade da regressão estabelecida pela rede neural para os dados de performance da hélice (coeficientes de tração e potência), esses resultados são apresentados na figura 5.

Figura 5:  Previsão de desempenho de hélice: comparação com dados experimentais.

Finalmente, utilizando as equações para a estimativa dos ruídos de espessura e carregamento, foi possível realizar a comparação com os dados experimentais, os resultados dessa comparação para as razões de avanço de 0.4 e 0.6 são apresentados na figura 6.

Figura 6: Previsão de ruído de hélice: comparação com dados experimentais.

Referências

APC, 2023. “Apc propellers”. https://www.apcprop.com/technical-information/performance-data/ Accessed 15 Dez 2023.

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.