Aprofundando a compreensão de escoamentos aerodinâmicos não-estacionários por meio de simulações de alta fidelidade, modelagem analítica e técnicas de aprendizado de máquina profundo

Resumo

Os forças aerodinâmicas não-estacionárias geradas durante o estol dinâmico têm um papel crítico na determinação da vida mecânica útil e do desempenho de dispositivos de sustentação, como rotores de helicópteros e pás de turbinas eólicas. Para controlar essas forças, é necessário tanto uma compreensão das condições do escoamento não-estacionário, bem como fornecer mecanismos para prescrever as interações entre escoamento e asa. A caracterização e análise dessas interações é complicada devido à ampla faixa de escalas temporais e espaciais que surgem no estol dinâmico. Não é surpresa que, até agora, os pesquisadores tenham encontrado dificuldades para obter soluções analíticas preditivas para essa classe de escoamentos. Embora potencialmente acuradas, as simulações numéricas de escoamentos não-estacionários envolvendo separação requerem enorme poder computacional e a aplicação de métodos numéricos sofisticados. Experimentos também são complexos e demorados, além de apresentarem custos ainda mais elevados e incertezas de medição. Dessa forma, o amplo espaço paramétrico possível dificulta a caracterização dos escoamentos com estol dinâmico por meios computacionais ou experimentais. O surgimento de técnicas de aprendizado de máquina pode permitir que avanços sejam feitos para se obter modelos preditivos dessa classe de escoamentos. A era do big data e data science, juntamente com o maior poder de computação tem permitido o emprego de técnicas de aprendizado de máquina em aplicações de dinâmico dos fluidos não-estacionária. Por esta razão, essas técnicas serão usadas almejando encontrar uma relação de mapeamento entre as estruturas do escoamento e as respostas de aerofólios em movimento. O estol dinâmico será a aplicação principal, mas os conceitos aqui desenvolvidos podem ser facilmente estendidos para outros ramos da dinâmica de fluidos. Neste trabalho, pretendemos reutilizar ou transferir informações de tarefas aprendidas anteriormente para extrair informações quantitativas de visualizações de escoamento disponíveis. Apesar dos avanços substanciais na mecânica dos fluidos experimental, o uso de medições para inferir de forma confiável as propriedades do escoamento, como densidade, velocidade, pressão ou componentes de tensões, não é uma tarefa simples. Esta informação, porém, é natural para os praticantes de dinâmica dos fluidos computacional. Assim, em nosso estudo, abordaremos a questão de usar as informações aprendidas em conjuntos de dados de simulações numéricas para extrair propriedades de escoamentos obtidos através de experimentos que até então seriam muito complicadas ou até impossíveis de obter. (AU)