Predição do desempenho de hélices de pequeno porte com XGBoost: efeitos do processo de imputação da solidez por métodos de regressão
Carregando...
Arquivos
Data
2022-03-05
Autores
Rosa, Heitor Nunes
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Resumo
This work has as main objective the elaboration of a surrogate model for the prediction of the performance of small propellers with the application of Machine Learning methods. The models were designed using the Python programming language, using the XGBoost regression algorithm, and based on the database provided by the University of Illinois at Urbana-Champaign. A data manipulation was also carried out to calculate the solidity, in order to evaluate its influence on the propeller performance. In this work, we dealt with missing data, which, despite the chosen algorithm being robust, an imputation method was applied to verify if there was an improvement in its performance. The model hyperparameters were tuned by a Bayesian optimization process. Satisfactory models were obtained for the development of preliminary designs of propellers with a relatively small prediction interval. This model will be useful to provide a better design phase, providing a faster and more efficient selection of propellers.
Este trabalho tem como objetivo principal a elaboração de um modelo substituto para a predição do desempenho de hélices de pequeno porte com a aplicação de métodos de Machine Learning. Os modelos foram projetados utilizando a linguagem de programação Python, com a utilzação do algoritmo de regressão XGBoost, e com base no banco de dados disponibilizados pela Universidade de Illinois em Urbana-Champaign. Fez-se também uma manipulação de dados para o cálculo da Solidez, para se avaliar sua influência no desempenho da hélice. Neste trabalho, lidou-se com dados faltantes, que, apesar do algoritmo escolhido ser robusto, aplicou-se um método de imputação para se verificar se haveria uma melhoria em seu desempenho. Os hiperparâmetros do modelo foram refinados por um processo de otimização bayesiana. Foram obtidos modelos satisfatórios para o desenvolvimento de projetos preliminares robustos. Este modelo será útil para proporcionar uma mais rápida e eficiente seleção e projeto de hélice.
Este trabalho tem como objetivo principal a elaboração de um modelo substituto para a predição do desempenho de hélices de pequeno porte com a aplicação de métodos de Machine Learning. Os modelos foram projetados utilizando a linguagem de programação Python, com a utilzação do algoritmo de regressão XGBoost, e com base no banco de dados disponibilizados pela Universidade de Illinois em Urbana-Champaign. Fez-se também uma manipulação de dados para o cálculo da Solidez, para se avaliar sua influência no desempenho da hélice. Neste trabalho, lidou-se com dados faltantes, que, apesar do algoritmo escolhido ser robusto, aplicou-se um método de imputação para se verificar se haveria uma melhoria em seu desempenho. Os hiperparâmetros do modelo foram refinados por um processo de otimização bayesiana. Foram obtidos modelos satisfatórios para o desenvolvimento de projetos preliminares robustos. Este modelo será útil para proporcionar uma mais rápida e eficiente seleção e projeto de hélice.
Descrição
Palavras-chave
Machine Learning, Propeller, Surrogate model, Aeronáutica, Hélices, Modelo Substituto, Modelo substituto