Uso de redes neurais artificiais para determinação de propriedades equivalentes de estruturas periódicas e predição de ruído de cabine de aeronaves

Abstract

Nesta dissertação de mestrado, o conceito de modelos substitutos é explorado por meio do uso de algoritmos de aprendizado de máquina que substituem análises determinísticas como, por exemplo, o método de elementos finitos. O ruido de cabine em aeronaves é um dos parâmetros mais importantes sob a ótica do conforto e da experiência do passageiro, principalmente para o setor da aviação executiva. Para cumprir com este requisito de mercado, materiais viscoelásticos são aplicados sobre a fuselagem em uma configuração de constrição, proporcionado uma redução da transmissão estrutural de energia mecânica oriunda da interação entre o escoamento de fluido e a superfície externa da aeronave. O objetivo deste trabalho é avaliar uma metodologia de modelo baseado em dados experimentais de caracterização dos materiais viscoelásticos para obtenção de propriedades vibroacústica da fuselagem como, por exemplo, Fator de Perda por Amortecimento, Densidade Modal e Fator de Perda por Radiação. Estas propriedades são obtidas primariamente pela solução de modelos de elementos finitos considerando uma estrutura periódica, a qual neste trabalho é uma partição da fuselagem com material viscoelástico aplicado, incluindo a presença de reforçadores de longarinas e cavernas. A partir da caracterização experimental dos materiais viscoelásticos e dos resultados obtidos pela solução de elementos finitos, constrói-se o conjunto de dados para treinamento e teste de uma Rede Neural Artificial, capaz de substituir o modelo físico. Os resultados das propriedades equivalentes obtidos em ambas as abordagens são comparados utilizando um modelo de SEA (Statistical Energy Analysis) de perda de transmissão de um painel duplo, composto por duas placas de alumínio espaçadas. As análises indicam boa concordância entre o método determinístico e o modelo substituto, sendo que a metodologia proposta é computacionalmente mais eficiente para obtenção dos parâmetros equivalentes e posterior avaliação do ruido de cabine.

Abstract: In this master?s thesis, the concept of surrogate models is explored by using machine learning algorithms that substitutes deterministic analysis such as finite elements methods. Aircraft cabin noise is one of the most important features from the passenger?s comfort and experience perspective, foremost for the executive aviation segment. To accomplish this market requirement, viscoelastic materials are applied over the fuselage in a constricted configuration, providing a reduction of the structural transmitted mechanical energy coming from the interaction between the fluid flow and the aircraft?s externa surface. The objective of this work is to evaluate a methodology for surrogate models based on experimental data from the characterization of viscoelastic materials to further obtain vibroacoustic properties of the fuselage such as Damping Loss Factor, Modal Density and Radiation Loss Factor. These properties are primarily obtained by solving finite elements models considering a periodic structure, that for this work is a partition of fuselage with viscoelastic material, including the presence of reinforcers as stringers and frames. From the experimental characterization of viscoelastic materials and the results obtained by solving the finite elements model, the dataset is built to train and test and artificial neural network, capable of substituting the physical model. The results of the equivalent properties from both approaches are then compared within SEA (Statistical Energy Analysis) model for transmission loss, composed by two spaced aluminum plates. The analysis indicated great concordance between the deterministic method and the surrogate model, while the later shows more computational efficiency to obtain the equivalent parameters and posterior evaluation of aircraft cabin noise.