Estudo de métodos de otimização global com aprendizado de máquina no projeto da seção divergente de bocais de motores-foguete

Detalhes bibliográficos
Autor(a) principal: Oliveira, Rafael Henrique Olindo de, 1990-
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/73793
Resumo: Orientador: Dr. Luciano Kiyoshi Araki
id UFPR_0e7d87c771cc2fcd106731a0a9d82bda
oai_identifier_str oai:acervodigital.ufpr.br:1884/73793
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Oliveira, Rafael Henrique Olindo de, 1990-Silva, Nicholas Dicati Pereira da, 1989-Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia MecânicaAraki, Luciano Kiyoshi, 1980-2022-03-23T12:59:36Z2022-03-23T12:59:36Z2021https://hdl.handle.net/1884/73793Orientador: Dr. Luciano Kiyoshi ArakiCoorientador: Dr. Nicholas Dicati Pereira da SilvaDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Mecânica. Defesa : Curitiba, 22/03/2021Inclui referências: p. 68-71Resumo: Problemas de otimização em engenharia podem envolver uma quantidade elevada de simulações computacionais com a superfície de resposta / função objetivo do fenômeno estudado apresentando um comportamento complexo ou com forma funcional desconhecida (caixa-preta) tal que a aplicação de métodos de otimização convexa torna-se inviável. Os métodos de otimização caixa-preta oferecem uma abordagem eficiente para a busca do maximizador global de problemas com essas características, e para isso a superfície de resposta pode ser aproximada com métodos de aprendizado de máquina. O objetivo deste trabalho foi avaliar a utilização de aprendizado de máquina e otimização global na otimização geométrica da seção divergente de tubeiras de motores-foguete. Simulações computacionais com os programas de CFD (SU2 e OpenFOAM) foram realizadas considerando um escoamento compressível supersônico em duas geometrias do divergente de bocais de motor-foguete, cônica e parabólica, e utilizadas no treino para o modelo. A superfície de resposta do coeficiente de empuxo em função de dois parâmetros geométricos foi ajustada com redes neurais artificiais e com processos gaussianos após a verificação do erro numérico e validação com dados experimentais do modelo invíscido, termicamente perfeito. A regressão obtida com redes neurais artificial foi utilizada junto ao algoritmo genético e a regressão por processos Gaussianos junto ao método de otimização Bayesiano. Para o problema deste trabalho em particular, o segundo método permitiu determinar os parâmetros ótimos com um menor número de simulações computacionais. Entretanto, os dois métodos foram bem-sucedidos na otimização geométrica, apresentando diferença numérica de ordem do erro estimado para a resposta. Para tubeira cônica a configuração ótima resultou num incremento percentual de 0,936 % no coeficiente de empuxo, enquanto que para a tubeira parabólica o incremento foi de 1,4503 % no coeficiente de empuxo em relação ao bocal cônico com semi-ângulo de divergente de 15 º sob mesmas condições de operação e mesmo perfil convergente.Abstract: A plenty of optimization problems in engineering may depend on a large amount of computational simulations with high cost, or the reponse of some phenomenon studied may has got a complex behavior with unknown functional shape such that the application of convex optimization methods gets unfeasible. The Black-Box Optimization approach offers an efficient way to get the maximal for problems with such characteristics and for this purpose it is possible to use machine learning to build the surface response. The purpose of this work was to evaluate the usage of machine learning along with global optimization for optimizing Nozzles divergent section of Rocket engines. Computational simulations were performed for supersonic compressible flows inside of conical and parabolic Nozzles through SU2 and OpenFOAM CFD softwares. This dataset was used to train a Gaussian Process and an Artificial Neural Network so that the thrust coefficient surface in function of geometric parameters was built. The first one was used together the Bayesian Optimization Method and the second one along with the Genetic Algorithm Method. The gas model for all simulations was considered inviscid, thermally perfect after performing verification and validation for error analisys. For this problem, particularly, the Bayesian optimization was able to find the maximizers with less computational simulations then the other one. However, both methods could determine the maximizers although presenting differences of the regression errors order. As results, the thrust coefficient of the optimized conical Nozzle presented an increase of 0,936 % and the parabolic geometry had an increase of about 1,4503 % in relation to the original configuration with divergent section semi-angle of 15 º, under the same operation conditions and equals convergent section.1 recurso online : PDF.application/pdfAprendizado do computadorMotores de foguetesProcessos gaussianosTeoria bayesiana de decisão estatisticaEngenharia MecânicaEstudo de métodos de otimização global com aprendizado de máquina no projeto da seção divergente de bocais de motores-fogueteinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - RAFAEL HENRIQUE OLINDO DE OLIVEIRA.pdfapplication/pdf2954843https://acervodigital.ufpr.br/bitstream/1884/73793/1/R%20-%20D%20-%20RAFAEL%20HENRIQUE%20OLINDO%20DE%20OLIVEIRA.pdfcc058e9c5f1a41a380620c7115899721MD51open access1884/737932022-03-23 09:59:36.873open accessoai:acervodigital.ufpr.br:1884/73793Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082022-03-23T12:59:36Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Estudo de métodos de otimização global com aprendizado de máquina no projeto da seção divergente de bocais de motores-foguete
title Estudo de métodos de otimização global com aprendizado de máquina no projeto da seção divergente de bocais de motores-foguete
spellingShingle Estudo de métodos de otimização global com aprendizado de máquina no projeto da seção divergente de bocais de motores-foguete
Oliveira, Rafael Henrique Olindo de, 1990-
Aprendizado do computador
Motores de foguetes
Processos gaussianos
Teoria bayesiana de decisão estatistica
Engenharia Mecânica
title_short Estudo de métodos de otimização global com aprendizado de máquina no projeto da seção divergente de bocais de motores-foguete
title_full Estudo de métodos de otimização global com aprendizado de máquina no projeto da seção divergente de bocais de motores-foguete
title_fullStr Estudo de métodos de otimização global com aprendizado de máquina no projeto da seção divergente de bocais de motores-foguete
title_full_unstemmed Estudo de métodos de otimização global com aprendizado de máquina no projeto da seção divergente de bocais de motores-foguete
title_sort Estudo de métodos de otimização global com aprendizado de máquina no projeto da seção divergente de bocais de motores-foguete
author Oliveira, Rafael Henrique Olindo de, 1990-
author_facet Oliveira, Rafael Henrique Olindo de, 1990-
author_role author
dc.contributor.other.pt_BR.fl_str_mv Silva, Nicholas Dicati Pereira da, 1989-
Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia Mecânica
dc.contributor.author.fl_str_mv Oliveira, Rafael Henrique Olindo de, 1990-
dc.contributor.advisor1.fl_str_mv Araki, Luciano Kiyoshi, 1980-
contributor_str_mv Araki, Luciano Kiyoshi, 1980-
dc.subject.por.fl_str_mv Aprendizado do computador
Motores de foguetes
Processos gaussianos
Teoria bayesiana de decisão estatistica
Engenharia Mecânica
topic Aprendizado do computador
Motores de foguetes
Processos gaussianos
Teoria bayesiana de decisão estatistica
Engenharia Mecânica
description Orientador: Dr. Luciano Kiyoshi Araki
publishDate 2021
dc.date.issued.fl_str_mv 2021
dc.date.accessioned.fl_str_mv 2022-03-23T12:59:36Z
dc.date.available.fl_str_mv 2022-03-23T12:59:36Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/73793
url https://hdl.handle.net/1884/73793
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/73793/1/R%20-%20D%20-%20RAFAEL%20HENRIQUE%20OLINDO%20DE%20OLIVEIRA.pdf
bitstream.checksum.fl_str_mv cc058e9c5f1a41a380620c7115899721
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1813898851166191616

Registros relacionados