UNIVERSIDADE ESTADUAL PAULISTA

Faculdade de Engenharia de Ilha Solteira

Desenvolvimento de um Sistema Inteligente

aplicado na Variao do Passo de uma Hlice.

PROJETO DE PESQUISA

Relatrio de Pesquisa - Iniciao Cientfica

Discente: Ruhan Carlos Ponce de Oliveira
Doscentes: Profa. Dra. Mara Lcia Martins Lopes
Doscentes: Prof. Dr. Fbio Roberto Chavarette

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

e um nmero mximo de iteraes de 100.

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.
Os resultados obtido podem ser totalmente aplicado em uma situao real de misso de uma
aeronave, pois o tempo de resposta da rede permaneceu na ordem de mili segundos, o que
proporciona resultados quase que instantaneamente para que possa ocorrer a variao do passo
da hlice por sistemas hidrulicos.
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.

Lista de Figuras
1.1

Representao de um neurnio.

. . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2

Modelo do neurnio de McCulloch-Pitts. . . . . . . . . . . . . . . . . . . . . . .

1.3

Funo Sigmide (1)

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.4

Funo sigmide (2)

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.5

Rede Neural Articial

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.6

Ilustrao dos componentes de uma hlice. . . . . . . . . . . . . . . . . . . . . .

10

1.7

Variveis representativas da geometria da hlice.

11

1.8

Distribuio de forca de sustentao em hlices de passo xo e variveis.

. . . .

11

1.9

Representao do rendimento da hlice . . . . . . . . . . . . . . . . . . . . . . .

12

2.1

Desenvolvimento dos parmetros de pesquisa

. . . . . . . . . . . . . . . . . . .

14

2.2

Primeira parte do desenvolvimento

. . . . . . . . . . . . . . . . . . . . . . . . .

14

2.3

Mtodo de captura de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

2.4

Representao dos dados utilizados no treinamento da rede.

. . . . . . . . . . .

15

2.5

Segunda parte de desenvolvimento. . . . . . . . . . . . . . . . . . . . . . . . . .

16

2.6

Curva caracterstica de rendimento para diferentes tipos de hlices. . . . . . . .

16

2.7

Mapeamento de mximo rendimento em funo do rpm.

17

2.8

Mapeamento de mximo rendimento em funo da velocidade relativa

2.9

Terceira parte de desenvolvimento.

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . .
. . . . .

17

. . . . . . . . . . . . . . . . . . . . . . . . .

18

3.1

Quarta parte do desenvolvimento. . . . . . . . . . . . . . . . . . . . . . . . . . .

19

3.2

Mapeamento de mximo rendimento em funo da velocidade relativa obtida

da otimizao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

3.3

Mapeamento de mximo rendimento em funo do rpm obtida da otimizao

20

3.4

Mapeamento do mximo rendimento em funo do ngulo da hlice obtida da

otimizao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

20

3.5

Mapeamento da geometria da hlice de relao a velocidade relativa.

. . . . . .

21

3.6

Mapeamento de indivduos feaseble.

. . . . . . . . . . . . . . . . . . . . . . . .

21

Lista de Tabelas
1.1

Cronograma proposto para a realizao do projeto. . . . . . . . . . . . . . . . .

2.1

Parmetros utilizados na implementao do Levenberg Marquadt . . . . . . . .

18

Sumrio
1 Projeto

1.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2

Desenvolvimento

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3

Teoria aplicada

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3.1

Redes Neurais Articiais - RNA . . . . . . . . . . . . . . . . . . . . . . .

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.

J no sculo VX, Leonardo da Vinci desenvolveu o primeiro

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

possuem a capacidade de se adaptar e de aprender a realizar certa tarefa, ou comportamento,

a partir de um conjunto de dados. A aplicao das RNAs junto tarefa da variao do passo
torna-se bastante atrativa, pois o sistema ter a capacidade de aprender com as mais diversas
condies as quais a hlice for submetida e desenvolver um melhor modo para variar o passo
e manter a mxima ecincia do conjunto propulsivo.
As Redes Neurais Articiais (RNAs) so concepes fundamentadas no mecanismo de funcionamento do crebro, sendo, por conseguinte, capazes de aprender com a experincia e com a
nalidade de resolver problemas complexos. As RNAs, de uma forma geral so redes de comunicao adaptativas que ligam uma funo custo a uma sada desejada. Matematicamente,
representam um sistema dinmico que pode ser modelado como um conjunto de equaes diferenciais e/ou algbricas,no-lineares acopladas.
As redes neurais so compostas de neurnios interligados formando camadas, distinguindo-se
camadas de entrada, intermedirias e de sada.
As redes neurais articiais podem ser aplicadas em diversos problemas tais como: processamento de sinais, controle, reconhecimento de padres, classicao de dados, aproximao e
classicao, previso, etc.
Uma das arquiteturas mais utilizadas na literatura a rede neural feedforward do tipo multicamadas (Perceptron multi-camadas). Entre as razes para sua popularidade pode-se destacar
sua exibilidade para formar solues de qualidade para uma ampla classe de problemas, a
partir de um algoritmo de aprendizado.
Neste projeto de pesquisa o algoritmo de aprendizado utilizado ser o algoritmo de LevenbergMarquardt.

Esse algoritmo considerado o mtodo mais rpido para treinamento de redes

feedforward, e se baseia, para a acelerao do treinamento, na determinao das derivadas de

segunda ordem do erro quadrtico em relao aos pesos, diferindo do algoritmo backpropagation tradicional que considera as derivadas de primeira ordem.
A possibilidade de aplicar as RNAs na determinao da variao do passo de uma hlice
(levando em considerao situaes especcas) utilizando-se rede neural feedforward do tipo
multi-camadas relaciona-se capacidade de prever as melhores condies para funcionamento
de todo sistema, ou seja, pode-se prever a variao do passo ideal considerando a velocidade e
rendimento para um determinado movimento.

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;

Simulaes Numricas e Aplicao;

Resultados e Concluses;

Relatrio das Atividades.

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

A primeira etapa, reviso bibliogrca, corresponde a busca pelos conceitos necessrios

para a implementao do projeto, sendo realizada no incio do projeto. Entretanto, est ser
constantemente realizada, sempre que for necessrio, e como forma de acompanhar o desenvolvimento na rea. Est etapa foi desenvolvida utilizando-se recursos disponveis na biblioteca
da FEIS - UNESP, atravs de contato com especialistas da rea presentes no Departamento de
Matemtica e de Engenharia Mecnica (DMAT e DEM) da FEIS, e, principalmente, atravs
do uso da Internet. As referncias consultadas at o presente momento ento descritas no nal
do relatrio (referncias bibliogrcas).
A segunda etapa, foram realizados estudos sobre as redes neurais articiais que consiste num
estudo geral enfocando os principais conceitos, arquiteturas e algoritmos de treinamento. Tambm nesta etapa, foram abordados estudos sobre rede neural feedforward com algoritmo de
Levenberg-Marquardt, focando os conceitos de minimizao quadrtica.
A terceira etapa foi disposta para a simulaes numricas, estas foram realizada no software

Python r,

por ser um software livre e de grande capacidade de desenvolvimento matemtico.

Nessa etapa foi implementado o algortimo de Levenberg Marquardt.

A quarta e a quinta parte so consequncias das partes anteriores, sendo que a quarta a obteno e comparao dos resultados obtidos com a realidade. J a quinta etapa a confeco
do relatrio sobre as atividades desenvolvidas.

1.3

Teoria aplicada

1.3.1 Redes Neurais Artificiais - RNA

Biolgico
Os neurnio, partes fundamentais para a compreenso do crebro humano, so formados basicamente pelas seguintes estruturas[7]:

(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.

A poro terminal do axnio sofre vrias ramicaes para formar de

centenas a milhares de terminais axnicos, no interior dos quais so armazenados os

neurotransmissores qumicos. Portanto, o axnio especializado em gerar e conduzir o
potencial de ao.
(d)

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.

A Figura 1.1 representa toda estrutura de um neurnio.

Figura 1.1: Representao de 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

Figura 1.2: Modelo do neurnio de McCulloch-Pitts.

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)

Coeciente angular da curva.

Funo Sigmide
Est curva obtida por meio da funo:

() =

1
(1 + )

Figura 1.3: Funo Sigmide (1)

(1.2)

Figura 1.4: Funo sigmide (2)

Figura 1.5: Rede Neural Articial

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

0,3 < < 0,6,

e como critrio de adoo do melhor valor fora utilizado o mtodo de

tentativa e erro, o qual prolonga de forma considervel a formulao da programao.

Estrutura de Redes Neurais Artificiais (RNA)

Uma RNA consiste de elementos de processamento (neurnios) e suas conexes (sinapses).
Cada neurnio pode ter vrias entradas, porm somente uma sada.

Cada sada pode ser

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.

Classificao das Redes Neurais Artificiais

As RNA podem ser classicadas em dois tipos diferentes quanto a sua estrutura: redes recorrentes (feedforward) e redes no-recorrentes.

Redes Neurais Recorrentes

Uma rede denida como recorrente se ela contm laos de realimentao, ou seja, contm conexes das sadas de uma determinada camada para a entrada da mesma ou de
camadas anteriores.
As entradas de um neurnio so as sadas dos demais neurnios da camada anterior,
similar ao ocorrente no crebro humano entre os axnios e dendritos de neurnios diferentes. As rede que possuem esta estrutura desenvolvem uma memria a longo prazo nos
neurnios internos.

Redes Neurais No-Recorrentes

Esta rede caracteriza-se estruturalmente por estar disposta em camadas. Nestas redes
cada camada de neurnios recebe sinais somente das camadas anteriores, ou seja, elas
no possuem laos de realimentao.
Redes no-recorrentes ou feedforward no possuem memria, sendo que, sua sada exclusivamente determinada em funo da entrada e dos valores dos pesos.
Esta ltima congurao de rede fora utilizada nesse trabalho, sendo que o mesmo baseasse no sistema Perceptron Multicamadas.

Tipos de Treinamento de Redes Neurais

Dentre todas as caractersticas das redes neurais, uma das mais importantes a habilidade de
aprender e com isso melhorar seu desempenho. A rede treinada de maneira que um conjunto
de entrada produza o conjunto de sada desejada, ou pelo menos consistente.
O treinamento torna-se completo a partir do momento em que aplicando um conjunto de
entradas (vetores), sequencialmente, os pesos da rede se ajustam de acordo com o procedimento
predeterminado. Os pesos da rede convergem gradualmente a determinados valores, medida
que o vetor de entrada produz o vetor de sada desejado.
Quanto ao tipo de treinamento, pode-se classic-lo em dois grupos distintos:

Treinamento Supervisionado ou Treinamento Associativo:

A rede treinada proporcionada pela combinao dos padres de entrada e sada. Este
treinamento exige a presena de um agente externo (tutor ou professor) na fase de aprendizado, que avalia e informa rede sobre seu desempenho.

O agente externo adquire

conhecimento da rede, na forma de mapeamentos (padres) de entrada-sada.

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 No-Supervisionado (Self-Organization):

O conjunto de treinamento consiste exclusivamente de vetores de entrada. O treinamento

no-supervisionado no possui tutor, ou seja, a rede autnoma. Trabalha com os dados

que so apresentados rede. Neste paradigma, o sistema suposto como sendo capaz de
descobrir, estatisticamente, caractersticas relevantes dos dados de entrada. As redes de
Hopeld, Kohonen e ART (convencional e nebulosa) so exemplos de redes que possuem
treinamento no-supervisionado.

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;

Regra delta de Widron e Ho;

Regra delta generalizada;

Algoritmo de aprendizagem Back-Propagation.

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

representa o vetor de pesos e O

representa a matriz Hessiana e

(1.3)

representa o gradiente de erro mdio quadrtico,

um fator de ajuste.

Podemos ver que a regra de atualizao

leva em considerao tanto a inclinao da superfcie do erro (mtodo do gradiente descendente)

quanto curvatura desta superfcie (mtodo de Gauss-Newton). O fator de ajuste indica qual
dos dois mtodos ser predominante: para fatores de ajuste grandes, o mtodo do gradiente
descendente predomina e a atualizao dos pesos ocorre fortemente na direo de inclinao
da superfcie do erro; caso contrrio, o mtodo de GaussNewton predomina e a atualizao
ocorre mais no sentido da curvatura da funo.

O algoritmo controla o valor do fator de

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

multiplicando-o por dez).

Em seguida, voc deve recomear a iterao novamente.

Caso o

erro tenha diminudo, voc aceita a iterao e diminui o fator de ajuste (geralmente dividindoo por dez).

Desta maneira, voc ir caminhar mais na direo do gradiente quanto mais

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].

Essa considerao incorporada

ao algoritmo e sempre utilizada, fazendo com que o algoritmo se torne heurstico, porm
obtendo, na prtica, excelentes resultados.

Alm disso, outra clara diculdade calcular a

matriz inversa presente na regra de atualizao, o que computacionalmente trabalhoso e

impossibilita que o algoritmo seja utilizado quando o espao de parmetro seja da ordem de
alguns milhares; porm, quando o espao de parmetro da ordem de algumas centenas, o
algoritmo muito mais rpido que os demais. Alm disso, aqui h uma grande vantagem em
relao ao mtodo de Newton: a inversa sempre existe. Um ltimo ponto de diculdade do
algoritmo que, para valores muito elevados do fator de ajuste, praticamente o clculo da
matriz Hessiana praticamente desprezado. Esse ltimo ponto levou Marquardt a propor uma
melhoria no algoritmo original que faz com que a parcela relativa ao gradiente descendente
tambm passe a incorporar informao da curvatura da superfcie do erro, fazendo com que
a atualizao de pesos seja considervel mesmo quando o gradiente bem pequeno. A regra
nal de atualizao do algoritmo de Levenberg-Marquardt ento:

+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;

Forma da seo transversal da p;

Nmeros de ps.

Figura 1.6: Ilustrao dos componentes de uma hlice.

A Figura 1.6 representa a anatoma de uma hlice, a qual est representando todos seus
componentes[4].

O ngulo de hlice

formado entre o plano da hlice e a corda da seo em considerao da

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]

Figura 1.7: Variveis representativas da geometria da hlice.

Figura 1.8: Distribuio de forca de sustentao em hlices de passo xo e variveis.

Figura 1.9: Representao do rendimento da hlice

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)

chamada de razo de avano uma funo da velocidade do avio,

a rotao da hlice,

[rps], e o dimetro da hlice,

[m/s],

[m]. denida por:

(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.

Hlices de passo Ajustvel

Atualmente existem diversos sistemas de variaes de hlice, so esses:
1 Ajustvel em solo; Este tipo de sistema ajustado pelo piloto antes de iniciar sua misso.
Dessa forma, o passo calculado pelo mesmo antes de cada misso.[10]
2 Ajustvel em voo. Este tipo de sistema j se encontra mais avancado, podendo ser de
duas formas:

Ajuste por sistema hidrulico por contrapesos deslizantes.[10]

Esse sistema o piloto altera o passo de acordo com a necessidade.

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

Figura 2.1: Desenvolvimento dos parmetros de pesquisa

Dados de Tnel de Vento

Figura 2.2: Primeira parte do desenvolvimento

Para o treinamento e desenvolvimento de parmetros de uma hlice de passo varivel

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.

Figura 2.3: Mtodo de captura de dados

A Figura 2.4 representa como os dados das hlices foram utilizados.

Figura 2.4: Representao dos dados utilizados no treinamento da rede.

Como destacado na gura acima, os parmetros de variao e comparao do rendimento

da aeronave foram o rpm e a velocidade. Para isso, foi levado em considerao as formar
reais de captura de dados em uma aeronave, onde, o rpm capturado por tacmetros no
fronte do avio e a sua velocidade determinada a partir do sistema de telemetria da
aeronave, mais especicamente tubos de pitot[3].

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

Figura 2.5: Segunda parte de desenvolvimento.

de objetivos alcanados est na Figura 2.6, a qual mostra uma curva caracterstica de
rendimento para diferentes tipos de hlices.

Figura 2.6: Curva caracterstica de rendimento para diferentes tipos de hlices.

A seguir est apresentado a curva caracterstica de rendimento da hlice de passo xo

12.25x3.75[6], utilizada como base dos dados, como apresentados anteriormente.

Figura 2.7: Mapeamento de mximo rendimento em funo do rpm.

Como apresentado anteriormente, a maximizao do rendimento, nesse exemplo, tomou

como critrio de entrada a velocidade.

Figura 2.8: Mapeamento de mximo rendimento em funo da velocidade relativa

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.

Algoritmo de Levenberg Marquardt

Durante a aplicao do algoritmo para maximizar o rendimento da hlice, utilizou-se os
parmetros apresentados na Tabela 2.1

Figura 2.9: Terceira parte de desenvolvimento.

Tabela 2.1: Parmetros utilizados na implementao do Levenberg Marquadt

Parmetro

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.

Todavia, o objetivo da implementa a maximi-

zao do rendimento, para superar tal diculdade fora utilizado uma funo inversora,
obtendo assim os resultados esperados.

Captulo 3

Resultados e Discusso

Figura 3.1: Quarta parte do desenvolvimento.

Considerando todos os critrios e parmetros apresentados anteriormente, pode-se mapear,

utilizando o algoritmo de Levenberg Marquardt, todos os mximos rendimento. Esses parmetros puderam ser analisados e mapeados em relao a rpm e velocidade relativa da aeronave.

Figura 3.2: Mapeamento de mximo rendimento em funo da velocidade relativa obtida da

otimizao

Figura 3.3: Mapeamento de mximo rendimento em funo do rpm obtida da otimizao

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.

Figura 3.4: Mapeamento do mximo rendimento em funo do ngulo da hlice obtida da

otimizao

A geometria da hlice, apesentada na foma do ngulo da mesma, em relao a velocidade

relativa da aeronave tambm pode ser mapeada, sendo apresentada na Figura 3.5

Figura 3.5: Mapeamento da geometria da hlice de relao a velocidade relativa.

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

Figura 3.6: Mapeamento de indivduos feaseble.

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.

Technical report, Universidade Estadual Paulista "Julio Mesquita Fi-

lho"Campus Ilha Solteira, 2014.

[2] IEE BERNARD WIDROW, FEELOW. 30 years of adaptive neural networks: Perceptron,madaline, and backpropagation., 1990.

[3] Kyung-YoulKim

Han-ShinSeol

Geun Paik, Gun-DoKim.

propellers.

Beom-SooHyun

Sang-Gab

Lee

Young-RaeJung

Bu-

Investigationontheperformancecharacteristics of the exible-

Ocean Engineering, 2013.

[4] Snorri Gudmundsson.

The Anatomy of the Propeller, chapter 14, page 76.

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.

Technical report, Instituto

Tecnologico Aeronautico, 2006.

[7] Carlos Roberto Minussi; Anna Diva Plasencia Lotufo. Redes neurais intruducao e principais conceitos.

Technical report, Universidade Estadual Paulista "Julio Mesquita Fi-

lho"Campus Ilha Solteira.

[8] Carlos Roberto Minussi. Rede neural art. Technical report, Universidade Estadual Paulista "Julio Mesquita Filho"Campus Ilha Solteira, 2008.

[9] Edson Da Rosa.

[10] P Sforza.

Introducao ao Projeto Aeronautico.

Propellers, chapter 10, page 28.

2012.

2006.