Aprendizado de máquina para modelagem substituta em otimização multiobjetivo de asas

Abstract

Projetos aeronáuticos são multidisciplinares, e otimizar uma tecnologia isoladamente pode afetar negativamente outras igualmente importantes. Por isso, esses projetos se beneficiam de otimizações multiobjetivo e multidisciplinares, viáveis desde as fases iniciais. No entanto, quanto mais complexos os modelos simulados no laço de otimização, maior o custo computacional. Uma solução eficiente é o uso de modelos substitutos, especialmente os baseados em aprendizado de máquina, que aprendem e extraem padrões úteis para previsão e otimização. Este trabalho teve como objetivo implementar modelos substitutos baseados em aprendizado de máquina para otimização aerodinâmica de asas subsônicas, com dados obtidos pelo método da rede de vórtices (VLM) e pela teoria da linha sustentadora não linear (N-LLT). Foi criado um banco com milhões de geometrias distintas, simuladas a partir de variações de parâmetros geométricos. Os modelos foram treinados para predizer os coeficientes CL, CD e CM , e utilizados em dois algoritmos de otimização: Dual Annealing e Algoritmo Genético. Os resultados do modelo substituto tiveram boa precisão nas previsões, com desempenho aerodinâmico próximo ao obtido nas otimizações com métodos iterativos, mas com redução de tempo de execução de cerca de 3 ordens de grandeza. A abordagem mostra grande potencial para aplicações em otimização de projeto, onde eficiência computacional é crítica.

Aeronautical designs are inherently multidisciplinary, and optimizing a single technology in isolation can negatively impact other equally important ones. Therefore, such projects benefit from multi-objective and multidisciplinary optimization approaches, which are feasible even in early design stages. However, the more complex the models simulated within the optimization loop, the higher the computational cost. An efficient solution is the use of surrogate models, especially those based on machine learning, which learn and extract useful patterns for prediction and optimization. This work aimed to implement machine-learning-based surrogate models for the aerodynamic optimization of subsonic wings, using data generated by the Vortex Lattice Method (VLM) and the nonlinear lifting-line theory (N-LLT). A database with millions of distinct geometries was created, simulated from variations of geometric parameters. The surrogate models were trained to predict the aerodynamic coefficients CL, CD and CM were used in two optimization algorithms: Dual Annealing and Genetic Algorithm. The surrogate models demonstrated high predictive accuracy, achieving aerodynamic performance close to that obtained through iterative simulation methods, while reducing execution time by approximately three orders of magnitude. The approach shows strong potential for application in design optimization, where computational efficiency is critical.