Modelagem Substituta para Avaliação de Parâmetros Aerodinâmicos em Otimização Multidisciplinar

• Livia C. Andrade UFGD
• Maurício M. Andrade UFGD

DOI: https://doi.org/10.5753/wperformance.2026.22434

Resumo

A aplicação de um processo de Otimização Multidisciplinar (MDO) no projeto preliminar de aeronaves exige um grande número de avaliações aerodinâmicas, tornando ferramentas tradicionais (como XFOIL ou CFD) um gargalo devido ao alto custo computacional e falhas de convergência. Este artigo apresenta modelos substitutos de aprendizado de máquina (Superfícies de Resposta Polinomial, Kriging e Redes Neurais Artificiais), como alternativa às simulações convencionais, para prever determinados parâmetros aerodinâmicos relevantes. Os resultados indicam que os modelos substitutos aceleram o tempo de inferência em ordens de grandeza em relação ao XFOIL, mantendo alta precisão preditiva e viabilizando ciclos de otimização mais amplos e robustos.

Referências

Drela, M. (1989). Xfoil: An analysis and design system for low reynolds number airfoils.

In Mueller, T. J., editor, Low Reynolds Number Aerodynamics, pages 1–12. Springer.

Forrester, A., Sobester, A., and Keane, A. (2008). Engineering Design via Surrogate Modelling: A Practical Guide. John Wiley & Sons, Chichester.

Haykin, S. (2009). Neural Networks and Learning Machines. Pearson Education, Upper Saddle River, NJ, 3rd edition.

Kulfan, B. (2008). Universal parametric geometry representation method. Journal of Aircraft - J AIRCRAFT, 45:142–158.

Martins, J. R. R. A. and Lambe, A. B. (2013). Multidisciplinary design optimization: A survey of architectures. AIAA Journal, 51(9):2049–2075.

Myers, R. H., Montgomery, D. C., and Anderson-Cook, C. M. (2016). Response Surface Methodology: Process and Product Optimization Using Designed Experiments. John Wiley & Sons, 4th edition.

Rasmussen, C. E. and Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press, Cambridge, MA.