Controlo Automático Do Efeito De Magnus Sobre Um Cilindro

• Autor(a) principal: Kuznetsov, Vladislav
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10362/163867
• topic: Controlo de Escoamento; Machine Learning; Nonlinear Autoregressive Model With Exogenous Inputs; Controlo Preditivo; Coeficiente de sustentação; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Mecânica

Nos campos da ciência e engenharia, uma parte significativa dos sistemas é governada por equações diferenciais não lineares, conferindo-lhes uma complexidade substancial. O con- trolo eficaz desempenha um papel crítico em várias áreas, nomeadamente na Mecânica de Fluidos devido à sua presença nas tecnologias da produção de energia, dos sistemas de trans- porte e das aplicações médicas. Contudo, o controlo de escoamentos instáveis representa um desafio significativo, tornando-se muitas vezes uma tarefa inviável quando se recorre a méto- dos tradicionais. Neste contexto, os avanços em Machine Learning (ML) permitem extrair pa- drões que podem ser explorados sem a necessidade de conhecer todo o estado do sistema. Nesta pesquisa, o objetivo consiste em definir uma solução eficiente e precisa para mo- delar, prever e controlar o escoamento sobre um cilindro em rotação para um número de Reynolds de 100. Em vez de realizar previsões do estado completo do sistema, utilizou-se uma rede neuronal do tipo Nonlinear Autoregressive Model with Exogenous Inputs (NARX) capaz de prever uma série temporal composta por diversos valores de coeficientes de sustentação. Posteriormente, a abordagem seguida baseou-se em modelos preditivos através da incorpo- ração da rede numa estrutura de Controlo Preditivo para realizar efetivamente o seu controlo. Verificou-se que a abordagem centrada na Aprendizagem Profunda teve destaque não só pela capacidade de previsão através da rede NARX, como também pela integração da estrutura de Controlo Preditivo num sistema complexo. Assim, foi possível controlar os seguintes conjuntos de valores de coeficiente de sustentação, = [1, 0, -1]; [0,5; -0,25; -0,5] e [-1]. A procura de técnicas mais eficientes que substituam simulações computacionalmente dispendiosas é es- sencial para melhorar o projeto e otimização de sistemas complexos.