Machine-learning-assisted phase-amplitude reduction for fast synchronization of airfoil wakes with constrained fluctuations

O ar flui ao redor de objetos de maneiras que podem ser tanto previsíveis quanto tremendamente caóticas. Quando uma forma sólida, como a asa de um avião, move-se através do ar, o fluido nem sempre desliza suavemente sobre sua superfície. Em vez disso, ele frequentemente se desprende, criando vórtices giratórios que se desprendem da parte traseira em um padrão rítmico e repetitivo. Este fenômeno, conhecido como desprendimento de vórtices (vortex shedding), é um comportamento fundamental dos fluidos que ocorre em tudo, desde o vento soprando contra uma ponte até a água fluindo ao redor do casco de um navio. Embora esses padrões giratórios sejam naturais, eles podem causar problemas. A vibração rítmica que eles induzem pode levar à fadiga estrutural, ruído excessivo ou uma perda de sustentação que torna o voo ineficiente. Para os engenheiros, o objetivo é frequentemente domar esses fluxos, seja para interromper a vibração ou para mudar seu ritmo para algo mais manejável. No entanto, o ar é um sistema complexo e de alta dimensionalidade, o que significa que possui inúmeras partes móveis que interagem de formas difíceis de prever. Tentar controlar tal sistema geralmente requer quantidades massivas de dados e poder computacional, tornando isso uma tarefa assombrosa para aplicações do mundo real onde os sensores são limitados e o tempo é curto.

Uma equipe de pesquisadores desenvolveu um novo método para direcionar esses fluxos de ar caóticos de forma rápida e precisa, usando pouquíssima informação. Combinando uma técnica matemática que simplifica ritmos complexos com aprendizado de máquina moderno, eles demonstraram como alterar a velocidade com que o ar gira ao redor de uma asa, mantendo ao mesmo tempo as forças sobre a asa estáveis. O estudo focou em um cenário específico onde uma asa de avião está inclinada em um ângulo acentuado, fazendo com que o ar se separe e crie uma esteira turbulenta. Neste estado, a asa experimenta um desprendimento rítmico de vórtices que pode ser perigoso. Os pesquisadores queriam forçar essa esteira a mudar seu ritmo mais rápido do que faria naturalmente, mas enfrentaram uma restrição crítica: não podiam permitir que as mudanças causassem oscilações selvagens na força de sustentação, o que tornaria a aeronave instável.

Para resolver isso, a equipe primeiro teve que entender o "batimento cardíaco" do fluxo de ar. Eles trataram a esteira giratória não como uma bagunça caótica, mas como um oscilador rítmico, semelhante a um pêndulo que balança para frente e para trás. Todo ritmo tem um tempo específico, ou fase, e uma força específica, ou amplitude. Os pesquisadores precisavam saber exatamente quando empurrar o ar para mudar sua velocidade e com que força empurrar sem tornar o ritmo muito selvagem. Tradicionalmente, encontrar o momento perfeito para empurrar exige conhecer a sensibilidade de cada ponto individual no ar ao redor da asa, uma tarefa que geralmente demanda um supercomputador para simular todo o campo de fluxo. Em vez disso, esta equipe usou um atalho inteligente. Eles colocaram apenas três pequenos sensores na superfície da asa para medir o comportamento local do ar. Usando um algoritmo de aprendizado de máquina, eles construíram um modelo matemático que poderia prever o fluxo complexo e giratório de toda a esteira baseando-se apenas nas leituras desses três pontos.

Com este modelo simplificado em mãos, os pesquisadores aplicaram uma técnica chamada redução de fase-amplitude. Este método permitiu que eles mapeassem uma "estratigrafia de sensibilidade" para todo o fluxo de ar usando apenas os dados dos três sensores. Este mapa mostrou-lhes exatamente onde e quando o ar era mais sensível a um empurrão. Eles descobriram que o lugar mais eficaz para agir era próximo ao bordo de ataque da asa. Mais importante ainda, descobriram que o melhor momento para empurrar para mudar o ritmo era diferente do melhor momento para empurrar se quisessem evitar que a asa vibrasse demais. Se eles se importassem apenas com a velocidade, empurrariam em um momento; se se importassem com a estabilidade, teriam que empurrar em um momento diferente.

A equipe então projetou um sinal de controle específico, uma forma de onda, que atuou como uma instrução precisa para o ar. Este sinal foi calculado para sincronizar o ritmo da esteira com uma nova frequência, mais rápida, o mais rápido possível, enquanto simultaneamente penalizava qualquer ação que causasse flutuações selvagens na força de sustentação. Quando testaram isso em simulações de computador, os resultados foram impressionantes. O novo método alterou a frequência do ar girando ao redor da asa oito vezes mais rápido do que um empurrão simples de ida e volta padrão. Além disso, ao incluir a penalidade pela flutuação de amplitude em seu cálculo, eles conseguiram suprimir as oscilações na força de sustentação em vinte por cento comparado a um método que focava apenas na velocidade.

O estudo confirma que é possível controlar a dinâmica de fluidos complexos com informações muito esparsas. Ao usar o aprendizado de máquina para preencher a lacuna entre algumas leituras de sensores e o fluxo tridimensional completo, os pesquisadores criaram um caminho para o controle de fluxo rápido e eficiente que não requer sensores de campo total caros ou recursos computacionais massivos. Esta abordagem sugere que, no futuro, engenheiros poderão instalar matrizes de sensores simples em aeronaves ou turbinas eólicas para gerenciar ativamente o fluxo de ar, reduzindo o arrasto e o ruído sem desestabilizar a estrutura. A técnica provou ser eficaz em diferentes formatos e ângulos de asa, mostrando que a física subjacente desses fluxos rítmicos pode ser domada com uma estratégia inteligente e baseada em dados que respeita o delicado equilíbrio entre velocidade e estabilidade.