Ajuste de modelos dinâmicos na presença de incertezas em estruturas de material compósito utilizando abordagem bayesiana

Abstract

Estruturas aeroespaciais são suscetíveis a cargas dinâmicas, que podem levar a vibrações potencialmente prejudiciais durante a operação. Portanto, é essencial desenvolver modelos dinâmicos acurados durante o projeto para corretamente prever o comportamento estrutural nos severos ambientes aeroespaciais ao qual a estrutura é exposta. Para tal, comumente são utilizados modelos numéricos construídos com o método de elementos finitos (MEF), utilizando dados experimentais para o ajuste numérico-experimental do modelo. O presente trabalho foca na utilização de um algoritmo de otimização estocástico, chamado de Algoritmo de Otimização Bayesiano (BOA), para o ajuste numérico-experimental do modelo. Este algoritmo envolve a obtenção de dados com a amostragem de regiões ótimas de uma função regredida com os dados já obtidos. Tal região ótima é obtida por meio de uma função de aquisição, que considera as incertezas da função regredida. O processo é repetido até encontrar um valor otimizado para os parâmetros, dado pelo mínimo da função objetivo. Para a validação e aplicação do método, são utilizados quatro modelos distintos com complexidade crescente: uma viga tubular isotrópica, uma placa fina ortotrópica , uma viga em C ortotrópica e, por fim, um painél sanduíche honeycomb, este último com dados experimentais. Os resultados demonstram que o algoritmo é capaz de encontrar bons resultados para os casos de validação de viga tubular isotrópica e placa fina ortotrópica, comprovando seu funcionamento. Quando aplicado ao modelo de viga em C, o algoritmo retorna bons valores, porém o custo computacional aumenta consideravelmente, assim como a incerteza associada aos parâmetros. Por fim, na placa ortotrópica, os parâmetros modais são bem ajustados porém os parâmetros físicos fogem do esperado pela referência bibliográfica. Assim, concluí-se que o algoritmo pode ser utilizado para o ajuste de modelos, porém alguns cuidados são necessários ao se elevar a dimensionalidade do problema ou ao se inserir incertezas nas medições para o pleno funcionamento do algoritmo.