Beruflich Dokumente
Kultur Dokumente
PROJETO DE PESQUISA
UNESP
Ilha Solteira - SP
Setembro 2015
Resumo
Com o objetivo de desenvolver um novo mtodo de determinao do passo ideal de uma
hlice de passo varivel para maximizar o rendimento do conjunto moto-propulsor durante a
realizao da sua misso, utilizou-se o algortimo de Levenberg-Marquadt, o qual baseia-se no
mtodos dos mnimos quadrados para a determinao do mnimo local de uma funo nolinear. Para o treinamento da rede foi utilizado um treinamento supervisionado. Os parmetros
utilizados foram
= 10,
Tolerncia =
1010
Lista de Figuras
1.1
Representao de um neurnio.
. . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
1.3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6
10
1.7
11
1.8
. . . .
11
1.9
12
2.1
. . . . . . . . . . . . . . . . . . .
14
2.2
. . . . . . . . . . . . . . . . . . . . . . . . .
14
2.3
15
2.4
. . . . . . . . . . .
15
2.5
16
2.6
16
2.7
17
2.8
2.9
. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . .
17
. . . . . . . . . . . . . . . . . . . . . . . . .
18
3.1
19
3.2
19
3.3
20
3.4
20
3.5
. . . . . .
21
3.6
. . . . . . . . . . . . . . . . . . . . . . . .
21
Lista de Tabelas
1.1
2.1
18
Sumrio
1 Projeto
1.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Desenvolvimento
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Teoria aplicada
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1
1.3.2
Hlices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Metodologia
14
3 Resultados e Discusso
19
4 Concluso
23
5 Observaes
24
Referncias Bibliogrficas
25
Captulo 1
Projeto
1.1
Introduo
Entende-se por hlice o dispositivo que fornece foras de trao s custas da potncia gerada
pelo motor, com o objetivo de impulsionar uma aeronave atravs de um uido, como por exemplo, o ar ou a gua. Para tanto, a hlice deve movimentar certa massa de uido em direo
oposta quela que a aeronave est sendo impulsionada.
O conceito de hlice data da China antiga, cerca de 220 a.C. Arquimedes aperfeioou tal ideias
e criou o Parafuso denominado de Arquimedes que teve certa utilizao na irrigao de
plantaes no Egito Antigo.
conceito de helicptero pelo qual propunha elevar pessoas. Entretanto, at 1900 d.C. todo conhecimento sobre o projeto de hlices era puramente emprico. A inveno da hlice torcida s
foi possvel aps a concluso dos irmo Wright de que uma hlice era uma asa cuja velocidade
radial varia ao longo de seu comprimento.
No sculo XX, diversos estudiosos desenvolveram metodologia para o dimensionamento e o projeto de hlices. Dos conceitos mais importantes destaca-se a teoria da asa de Prandtl-Munk.
Nesta, Munk conclui que para serem traadas as curvas de desempenho de uma hlice com
nmero nito de ps deve-se determinas a velocidade induzida na hlice. Em 1929, Goldstein
aplicou a teoria do escoamento potencial a uma hlice de uma nica p, de baixos carregamento
e avano, que tem sido considerado passo mais importante em busca da resoluo do problema
da hlice. Anos mais tarde, Theodorsen mostrou que a resoluo desenvolvida por Goldstein
tambm se aplicava a hlices de carregamento elevado.
Tomando por base os estudos desenvolvidos por hlices de passo xo, foi desenvolvido a hlice
de passo varivel, a qual tem por objetivo variar o ngulo da p para manter um ngulo timo,
reetindo em uma maximizao da sustentao sobre a resistncia. No incio do desenvolvimento desse novo tipo de hlice, esse tipo de controle se dava de forma manual pelo piloto,
depois surgiu sistemas automticos que alteram o passo de acordo com as foras aerodinmicas
nas ps. E desde ento, vem sendo estudado mtodos mais avanados para a variao desse
passo visando o aumento da ecincia de conjuntos moto-propulsores.
Visando o desenvolvimento de um mtodo novo para a variao do passo da hlice, ser implantado um Sistema baseado na Inteligncia Articial, mais especicamente, as Redes Neurais
Articiais (RNAs). As redes neurais articiais so ferramentas da Inteligncia Articial que
1.2
Desenvolvimento
O Projeto de Iniciao Cientca, ora proposto, tem durao prevista de 12 (doze) meses, em
conformidade com o seguinte cronograma de atividades:
1
Reviso Bibliogrfica sobre Hlices (passo fixo e passo varivel) e Redes Neurais Artificiais;
Estudos sobre as redes neurais dando nfase rede neural feedforward com algoritmo de
Levenberg-Marquardt;
Resultados e Concluses;
A Tabela 1.1 indica o tempo de realizao de cada etapa proposta no projeto de pesquisa.
Tabela 1.1: Cronograma proposto para a realizao do projeto.
Etapa
Trimestre
1Trimestre
2Trimestre
3Trimestre
4Trimestre
X
X
Python r,
1.3
Teoria aplicada
(a)
O corpo celular:
o centro metablico do neurnio, responsvel pela sntese de toas as protenas neuronais. A forma e o tamanho do corpo celular so extremamente variveis, conforme o tipo
de neurnio. O corpo celular tambm, junto com os dendritos, local de recepo de
estmulos, atravs de contatos sinpticos.
(b)
Dendritos:
Geralmente so curtos e ramicam-se profundamente, a maneira de galhos de rvores, em
ngulos agudos, originando dendritos de menor dimetro. So os processos ou projees
que transmitem impulsos para os corpos celulares dos neurnios ou para os axnios.
Em geral os dendritos so no mielinizados. Um neurnio pode apresentar milhares de
dendritos. Portanto, os dendritos so especializados em receber estmulos.
(c)
Axnios:
A grande maioria dos neurnios possui um axnio, prolongamento longo e no que se
origina do corpo celular ou de um dendrito principal. O axnio apresenta comprimento
muito varivel, podendo ser de alguns milmetros como mais de um metro.
So os
processos que transmitem impulsos que deixam os corpos celulares dos neurnios, ou
dos dendritos.
Sinapses:
Os neurnios, principalmente atravs de suas terminaes axnicas, entram em contato
com outros neurnios, passando-lhes informaes. Os locais de tais contatos so denominados sinapses. Ou seja, os neurnios comunicam-se uns aos outros nas sinapses pontos
de contato entre neurnios, no qual encontramos as vesculas sinpticas, onde esto armazenados os neurotransmissores. A comunicao ocorre por meio de neurotransmissores
agentes qumicos liberados ou secretados por um neurnio.
Neurnio de McClulloch-Pitts
O modelo de McCulloch-Pitts foi desenvolvido em 1943, o qual descreve um neurnio (Figura
1.2) cuja atividade s a soma de n entradas ponderadas por seus respectivos pesos.
Esta
atividade alimenta uma funo no-linear f(x) que produz um sinal que ser enviado aos
demais neurnios. As no-linearidades mais empregadas so: rel, lgica threshold e sigmide.
O neurnio de McCulloch-Pitts pode conter tambm um peso bias w0 alimentado por uma
constante x0 = +1 que desempenha o controle do nvel de sada do neurnio.
No-Linearidade
Funo Sigmide
A funo sigmide pode ser obtidos de duas maneiras diferentes, sendo que a mesma
possui duas funes diferentes de no-linearizao, as quais do caractersticas diferentes
para as duas:
(1)
Funo Sigmide
A funo que rege essa curva dada por:
() =
(1 )
(1 + )
(1.1)
sendo:
=
(2)
Funo Sigmide
Est curva obtida por meio da funo:
() =
1
(1 + )
(1.2)
Aps a apresentao dos dois tipos de funes sigmide pode-se restringir ainda mais
os aspectos aplicados nesse trabalho, sendo que nesse fora utilizado a Funo sigmide
(2). Esse fora optado por uma questo de praticidade e conhecimento mais avanado por
meio do Professor orientador.
Na construo e desenvolvimento da programao dessa funo, fora utilizado o software
livre Python, o qual baseasse em uma linguagem pura de programao. Assim, durante
a construo da rotina o coeciente angular da reta () foi variado dentro do intervalo
utilizada como entrada a vrios neurnios (atravs de ramicaes). Assim, como cada neurnio
pode receber vrias entradas procedentes de outros neurnios. Cada conexo entre neurnios
possui um peso que determina sua contribuio na deciso de disparo, controlando, desta
forma, os estmulos.
Dentre
algumas redes que possuem este tipo de treinamento pode-se citar: a rede madaline[2],
que utiliza o algoritmo de aprendizagem Back-Propagation[2], a rede Grossberg, a rede
ARTMAP[8], a rede ARTMAP fuzzy, dentre outras.
Treinamento Competitivo:
Semelhante ao treinamento supervisionado, neste treinamento existe uma sada desejada. As redes que utilizam este tipo de treinamento possuem vrios neurnios de sada.
Quando um padro de entrada aplicado rede, os neurnios de sada competem entre si para que prevalea apenas um neurnio na qual fornecer a sada desejada. Como
exemplos de redes que possuem este tipo de treinamento destaca-se a rede Counterpropagation.
Existem diversos algortimos para efetuar a aprendizagem de redes neurais articiais.Dentre
eles destacam-se:
Regra de Hebb;
Algoritmo de Levenberg-Marquardt
[5]O algoritmo de Levenberg-Marquardt foi desenvolvido para resolver iterativamente problemas de minimizao de funes no-lineares pelo mtodo de mnimos quadrados. Ele o algoritmo de otimizao mais utilizado hoje em dia, superando outros algoritmos em uma grande
variedade de problemas. De maneira geral, o algoritmo de Levenberg-Marquardt prope uma
soluo de compromisso entre o algoritmo do gradiente descendente e o mtodo iterativo de
Gauss-Newton. Sua regra de atualizao dos pesos, como proposta por Levenberg :
+1 = ( + )1 O ( )
Onde
(1.3)
um fator de ajuste.
ajuste da seguinte forma: comea-se com um valor arbitrrio. Calcula-se o erro na situao
atual e aplica-se a regra de atualizao de pesos. Calcula-se, ento, o novo erro. Caso o erro
tenha aumentado, voc deve desfazer a atualizao e aumentar o fator de ajuste (geralmente
Caso o
erro tenha diminudo, voc aceita a iterao e diminui o fator de ajuste (geralmente dividindoo por dez).
distante voc estiver do ponto mnimo. Ao chegar s proximidades dele, o algoritmo de GaussNewton ser predominante, o que faz com que o algoritmo de Levenberg-Marquardt funcione
utilizando o que cada um dos algoritmos anteriores tinha de melhor! Claro que h problemas
com o algoritmo LM: o primeiro deles a clara diculdade de se calcular a Hessiana da funo
erro, porm, isso pode ser simplicado considerando que a funo aproximadamente linear
nas vizinhanas do ponto em que se calcula a matriz [1].
ao algoritmo e sempre utilizada, fazendo com que o algoritmo se torne heurstico, porm
obtendo, na prtica, excelentes resultados.
+1 = ( + [])1 O ( )
(1.4)
Finalmente, bom ressaltar que o problema encarado pelo algoritmo LM exatamente o que
ocorre no treinamento Back-Propagation, onde a funo erro a ser minimizada no linear e no
formato de mnimos quadrados. Portanto, o algoritmo LM perfeitamente aplicvel a este tipo
de treinamento, sendo uma excelente melhoria em relao ao algoritmo de Back-Propagation
original.
1.3.2 Hlices
Geometria de uma hlice
A geometria de uma hlice estabelece de uma forma unvoca o desempenho que podemos
esperar desta. A geometria pode ser denida pelas variveis[4]:
Dimetro da hlice;
Passo nominal;
Corda da seo da p;
Nmeros de ps.
A Figura 1.6 representa a anatoma de uma hlice, a qual est representando todos seus
componentes[4].
O ngulo de hlice
p. Para uma seo a uma distncia r do eixo da hlice o passo da p est ligado diretamente
ao ngulo de hlice por:
Deve ser observado que a aproximao para pequenos ngulos no adequada, pois
(1.5)
pode
assumir valores elevados, em especial prximo do eixo, e tambm em hlices para grandes
velocidades.
As informaes bsicas sobre a geometria da hlice so seu dimetro e seu passo nominal,
denido como o passo na seo a 75do raio da hlice. A Figura 1.8 representa a distribuio
da fora de sustentao gerada por duas hlices distintas, de passo contnuo e de passo varivel,
juntamente com a representao dos seus pontos de anlises, 75do raio da hlice.[4]
Rendimento da Hlice
O rendimento de uma hlice denido pela relao entre a potncia til, gerada pela hlice, e
a potncia que a hlice est absorvendo. Desconsiderando o rendimento induzido, tem-se que
o rendimento da hlice aproximadamente igual ao rendimento da p, comparando a potncia
entregue ao avio pelo empuxo e a potncia absorvida pela hlice, dada por[9]:
(1.6)
Sendo que o desempenho de uma hlice, em especial quando determinado experimentalmente, em geral colocado na forma de coecientes, o coeciente de empuxo
de potncia
( ),
J a constante
( ) e o coeciente
denidos como[9]:
2 4
(1.7)
3 5
(1.8)
a rotao da hlice,
[m/s],
(1.9)
Aplicao em Aeronaves
Levando em considerao o intuito do trabalho desenvolvido, tem-se a preocupao na determinao do melhor passo para se obter o maior rendimento para a velocidade instantnea da
aeronave. Para isso, considera-se a equao:
(
=
60
(1.10)
Por meio desta equao tem-se a dependncia entre o passo da hlice e do rendimento da
aeronave.
Foras aerodinmicas
So sistemas automticos que alteram o passo da hlice de acordo com as inuncias
aerodinmicas sofridas nas ps das hlices
Captulo 2
Metodologia
Para o desenvolvimento de todos os parmetros da pesquisa fora utilizado o seguinte desenvolvimento, apresentado na Figura 2.1
em voo, foi utilizado um banco de dados de tnel de vento de uma hlice de passo xo
extremamente utilizada na competio de AeroDesign, a qual foi exaustivamente testada
tanto em tnel, quanto em voo.A hlice escolhida como fonte dados foi a 12.25x3.75[6].
Essa nomenclatura simboliza o dimetro e o passo, em polegadas.
O desenvolvimento do projeto teve como base uma hlice de passo xo,com o intuito de
treinar a RNA para obter o mximo rendimento do conjunto motopropulsor de acordo
com as condies impostas durante a misso. E assim, calcular o passo ideal que seria
aplicado em uma hlice de passo varivel em voo .
A Figura 2.3 representa os passos seguidos na etapa inicial.
Objetivos
Os objetivos introduzidos durante o treinamento da rede neural foram a determinao
de um passo ideal de hlice para quaisquer condies possveis em voo. A representao
de objetivos alcanados est na Figura 2.6, a qual mostra uma curva caracterstica de
rendimento para diferentes tipos de hlices.
Conforme proposto como objetivo, o intuito do algortimo de Levenberg Marquardt implementado determinar o mximo rendimento para quaisquer condies imposta durante a misso, os resultados da implementao sero apresentados adiante.
Valor
10
Tolerncia
1010
Max item
100
Tomando os parmetros apresentados, a implementao do algoritmo de Levenberg Marquardt teve que ser modicado, sendo que o mesmo baseado na minimizao de funes
no-lineares por mnimos quadrados.
zao do rendimento, para superar tal diculdade fora utilizado uma funo inversora,
obtendo assim os resultados esperados.
Captulo 3
Resultados e Discusso
Comparando os resultados com os dados tericos de passos da hlice de passo xo, obtevese parmetros consistentese em algumas situaes o rendimento com a variao do passo fora
superior hlice de passo xo.
Com o intuito de determinar todas as caracterstica da mudana que a hlice deveria passar,
determinou-se o ngulo da hlice, responsvel pelo passo atual da mesma, em relao ao seu
efeito sobre o rendimento.
relativa da aeronave tambm pode ser mapeada, sendo apresentada na Figura 3.5
Durante o diagnstico dos indivduos, os mesmos foram classicados como feaseble, para os
indivduos consistentes, e unfeaseble, para os indivduos no consistentes. Dessa maneira, foi
mapeados tais categorias de indivduos em relao a geometria da hlice, obtendo-se a Figura
3.6
O processo teve um total de 2500 indivduos, ou situaes de voo analisadas, destes 488,
foram condies unfeaseble. Tais condies ocorreram devido as condies de entrada dos da-
dos, onde, para cada rpm foi analisado para uma faixa de velocidade que variava de 0 a 70
mph.
Com isso, com o aumento do rpm da aeronave, para velocidades baixas, obteve-se indivduos
baixos. Da mesma forma ocorreu para baixos rpm com elevadas velocidades analisadas.
Esse mapeamento, realizada de forma india apresentou excelente convergncia para todas
as condies que foi submetido.
Captulo 4
Concluso
A rede neural Levenberg Marquardt mostrou-se capaz em maximizar o rendimento alterando
o passo da hlice, tendo como critrios de entrada a velocidade e a rotao da mesma.
Durante as simulaes, a rede obteve resultados extremamente satisfatrios mesmo apresentando um nmero pequeno de dados para treinamento. Outro ponto interessante que durante
o processamento, treinamento e diagnstico, a rede se apresentou com grande rapidez.
Em relao a etapa de treinamento e pesquisa, foi possvel ter a oportunidade de explorar
campos pouco explorados, como o caso de mtodos para a variao de passos variveis.
Esse mtodo de determinao do passo ideal a cada instante da misso de extrema ecincia,
pois diferentemente dos mtodos existentes, esse tem como base dados de uma hlice de passo
xo para mapear as condies ideais de passo. Assim, podendo ser aplicado em uma hlice de
passo ajustvel.
Captulo 5
Observaes
O projeto proposto fora selecionado para Segunda Fase do Congresso de Iniciao Cientca
realizado pela Universidade Estadual Paulista "Jlio Mesquita Filho"Campus Ilha Solteira.
Referncias Bibliogrficas
[1] Fabricio Costa Antoniasse. Classicacao de formas geometricas empregando-se redes neurais articiais.
[2] IEE BERNARD WIDROW, FEELOW. 30 years of adaptive neural networks: Perceptron,madaline, and backpropagation., 1990.
[3] Kyung-YoulKim
Han-ShinSeol
Beom-SooHyun
Sang-Gab
Lee
Young-RaeJung
Bu-
2014.
[5] Anna Diva P. Lotufo Mara L. M. Lopes. Klayton A. M. Araujo, Bruno C. Vitti. Previsao
de auencias utilizando redes neurais articiais com o auxilio das toolboxes do matlab.
Technical report, UniversidadeEstadual Paulista Campus de Ilha Solteira,.
[6] Gustavo Oliveira Violato; Pedro Teixeira Lacava. Estudo do funcionamento e do processo
de escolha de helices para um veiculo aereo nao-tripulado.
[7] Carlos Roberto Minussi; Anna Diva Plasencia Lotufo. Redes neurais intruducao e principais conceitos.
[8] Carlos Roberto Minussi. Rede neural art. Technical report, Universidade Estadual Paulista "Julio Mesquita Filho"Campus Ilha Solteira, 2008.
[10] P Sforza.
2012.
2006.