Otimização Bi-Objetivo do projeto conceitual de aeronaves de baixo número de Reynolds utilizando algoritmos genéticos

dc.contributor.advisorCruz Neto, Rubelmar Maia de Azevedo
dc.contributor.advisor-latteshttp://lattes.cnpq.br/6313312439770632
dc.contributor.authorDias Filho, Caio Augusto Mascarenhas
dc.contributor.author-latteshttp://lattes.cnpq.br/7369503812068378
dc.contributor.referee1Azevedo, João D'Anuzio Lima de
dc.contributor.referee1Latteshttp://lattes.cnpq.br/5919085988561143
dc.contributor.referee2Cruz, Ricardo Wilson Aguiar da
dc.contributor.referee2Latteshttp://lattes.cnpq.br/0131204505530010
dc.contributor.referee3Cruz Neto, Rubelmar Maia de Azevedo
dc.contributor.referee3Latteshttp://lattes.cnpq.br/6313312439770632
dc.date.accessioned2025-02-13T18:17:19Z
dc.date.issued2025-02-13
dc.description.abstractAircraft conceptual design constitutes the initial phase of aircraft development, in which numerous potential configurations are tested to identify the concept that best meets the project requirements. This process is both time-consuming and labor-intensive when conducted through traditional methods that rely on multiple human iterations. One of the most effective techniques to expedite this stage involves applying a design optimization routine that can determine the ideal concept with greater accuracy and shorter time cost, through the optimization of an objective function and established constraints. In this context, the present study aims to develop a bi-objective optimization model applied to the conceptual design of a low Reynolds number aircraft. The established objectives are to maximize the maximum takeoff and minimize the empty weight. A total of nine design variables were included in the optimization process, representing the selection of the airfoil, propulsive system, and wing’s geometric variables. Each configuration is evaluated through a routine that integrates the aerodynamic analyses of the Athena Vortex Lattice software with an algorithm that simulates takeoff performance. The results showed the capability of the bi-objective optimization model to identify configurations that meet the design requirements while delivering high performance. Additionally, the model demonstrated low computatuinal cost, enabling the evaluation of more than 1500 solutions per hour. The optimal solution identified successfully met the objectives established for the SAE Brasil AeroDesign competition, contributing to the project’s competitiveness and highlighting the efficiency of the applied approach.
dc.description.resumoO projeto conceitual aeronáutico corresponde à etapa inicial do desenvolvimento de uma aeronave, em que diversas possíveis configurações são testadas a fim de identificar o conceito que melhor atenda aos requisitos de projeto. Este processo é demorado e trabalhoso quando realizado por métodos tradicionais baseados em múltiplas iterações humanas. Uma das técnicas mais eficazes para agilizar esse processo consiste na aplicação de uma rotina de otimização de projeto capaz de apontar o conceito ideal com maior precisão e menor tempo, através da otimização de uma função objetivo e de restrições estabelecidas. Neste contexto, o presente trabalho tem como objetivo desenvolver um modelo de otimização bi-objetivo aplicado ao projeto conceitual de uma aeronave de baixo número de Reynolds. Os objetivos estabelecidos consistem na maximização do peso máximo de decolagem e na minimização do peso vazio. O modelo contempla nove variáveis de projeto, abrangendo a escolha do aerofólio, do sistema propulsivo e parâmetros geométricos da asa. Cada configuração é avaliada por uma rotina que integra as análises aerodinâmicas do software Athena Vortex Lattice a um algoritmo que realiza uma simulação da decolagem. Os resultados obtidos confirmaram a capacidade do modelo de otimização bi-objetivo de identificar configurações que atendem aos requisitos de projeto apresentando alto desempenho. Além disso, o modelo demonstrou um baixo custo computacional, permitindo a avaliação de mais de 1500 soluções por hora. A solução ótima identificada atendeu aos objetivos estabelecidos para a competição SAE Brasil AeroDesign, contribuindo para a competitividade do projeto e destacando a eficiência da abordagem aplicada.
dc.identifier.urihttps://ri.uea.edu.br/handle/riuea/7270
dc.publisherUniversidade do Estado do Amazonas
dc.publisher.initialsUEA
dc.relation.referencesANDERSON, J. D. Fundamentals of Aerodynamics. 7. ed. New York (NY): McGraw-Hill International, 2024. 1168 p. Citado 6 vezes nas páginas 12, 17, 19, 20, 21 e 27. APC PROPELLERS. Performance Data Files. 2022. Disponível em: . Acesso em: 10 dez. 2024. Citado na página 36. BORTOLETE, F. A. Algortimo de Otimização Aerodinâmica de Asas Voltadas a uma Aeronave de Baixo Número de Reynolds. Manaus (AM): Universidade do Estado do Amazonas, 2017. Citado na página 13. DIAS FILHO, C. A. M. et al. Preliminary low reynolds number wing sizing optimization using genetic algorithm. In: XII CONGRESSO NACIONAL DE ENGENHARIA MECANICA, 2024, Natal (RN). Proceedings of the XII Congresso Nacional de Engenharia Mecânica - CONEM 2024. Rio de Janeiro (RJ): ABCM, 2024. Citado 2 vezes nas páginas 12 e 24. D RELA, M. Flight Vehicle Aerodynamics. 1. ed. Cambridge (MA): MIT Press, 2014. 304 p. Citado na página 26. EIBEN, A. E.; SMITH, J. E. Introduction to Evolutionary Computing. 2. ed. Berlin (BE): Springer Berlin, 2015. 287 p. Citado 2 vezes nas páginas 32 e 45. FUJIKI, G. [Aeronave da equipe Urutau AeroDesign em 2024]. 2024. 1 fotografia, color., 5760 p x 3840 p. Citado na página 12. GUDMUNDSSON, S. General Aviation Aircraft Design: Applied methods and procedures. 2. ed. Oxford (OX): Butterworth-Heinemann, 2022. 934 p. Citado 3 vezes nas páginas 23, 25 e 46. HAUPT, R. L.; HAUPT, S. E. Pratical Genetic Algorithms. 2. ed. New York (NY): Wiley-Interscience, 2004. 192 p. Citado na página 41. HOLLAND, J. H. Adaptation in Natural and Artificial Systems: An introductory analysis with applications to biology control and artificial intelligence. 1. ed. Ann Arbor (MI): The University of Michigan Press, 1975. 232 p. Citado na página 30. KOCHENDERFER, M. J.; WHEELER, T. A. Algorithms for Optimization. 1. ed. Cambridge (MA): MIT Press, 2019. 520 p. Citado na página 29. MARTINS, J. R. R. A.; NING, A. Engineering Design Optimization. 1. ed. Cambridge (MA): Cambridge University Press, 2021. 650 p. Citado 4 vezes nas páginas 27, 28, 29 e 30. MIRJALILI, S.; DONG, J. S.; LEWIS, A. Nature-Inspired Optimizaers: Theories, literature reviews and applications. 1. ed. New York (NY): Springer, 2020. 238 p. Citado 3 vezes nas páginas 30, 40 e 42. RAYMER, D. P. Aircraft Design: A conceptual approach. 7. ed. Washington D. C. (DC): American Institute of Aeronautics and Astronautics, 2024. 1110 p. Citado 7 vezes nas páginas 15, 16, 17, 18, 21, 25 e 26. RIBEIRO, J. M. B. Desenvolvimento de um Algoritmo de Otimização Multidisciplinar Baseado em Algoritmo Genético para uma Aeronave do Projeto SAE AeroDesign. Teresina (PI): Instituto Federal de Educação, Ciência e Tecnologia do Piauí, 2023. Citado 2 vezes nas páginas 12 e 13. SADRAEY, M. H. Aircraft Performance: An engineering approach. 2. ed. Boca Raton (FL): CRC Press, 2023. 692 p. Citado na página 25. SADRAEY, M. H. Aircraft Design: A systems egineering approach. 2. ed. New York, (NY): Wiley, 2024. 864 p. Citado 7 vezes nas páginas 15, 16, 18, 21, 22, 23 e 46. TEIXEIRA, S. S. et al. Genetic algorithm implementation for airfoil geometry optimization. In: XII CONGRESSO NACIONAL DE ENGENHARIA MECANICA, 2024, Natal (RN). Proceedings of the XII Congresso Nacional de Engenharia Mecânica - CONEM 2024. Rio de Janeiro (RJ): ABCM, 2024. Citado na página 35. VILELA, R. L. S. M.; SILVA, E. C. Aerodesign aircraft wing optimization using genetic algorithm. In: 2019 IEEE SYMPOSIUM SERIES ON COMPUTATIONAL INTELLIGENCE (SSCI), 2019, Xiamen (CN). Proceedings of the 2019 IEEE Symposium Series on Computational Intelligence (SSCI). Piscataway (NJ): IEEE, 2019. Citado na página 13.
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Statesen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/
dc.subjectProjeto Conceitual Aeronáutico
dc.subjectOtimização Multiobjetivo
dc.subjectAlgoritmos Evolutivos
dc.titleOtimização Bi-Objetivo do projeto conceitual de aeronaves de baixo número de Reynolds utilizando algoritmos genéticos
dc.title.alternativeBi-Objective Optimization of Reynolds Low-Number Aircraft Conceptual Design Using Genetic Algorithms
dc.typeTrabalho de Conclusão de Curso

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
Otimização_Bi-Objetivo _do_ Projeto_Conceitual.pdf
Tamanho:
33.67 MB
Formato:
Adobe Portable Document Format