A load-coupled DMDc method for long-term aerodynamic load prediction in controlled fluid–structure interaction systems

No mundo da engenharia aeroespacial e de energia, existe uma batalha constante e invisível entre o ar que passa rapidamente por uma estrutura e a própria estrutura tentando manter sua posição. Quando uma asa flexível, uma pá de turbina eólica ou uma plataforma flutuante se move, ela empurra o ar, e o ar empurra de volta. Essa conversa de mão dupla é chamada de interação fluido-estrutura. O problema é que o ar não empurra apenas com uma força constante e previsível; ele gira, separa-se e muda de ideia de formas complexas e não lineares que dependem inteiramente de como a estrutura está se movendo naquele exato momento. Para engenheiros que desejam controlar esses sistemas — talvez para impedir que uma asa balance violentamente ou para guiar um robô através da água — essa imprevisibilidade é um grande obstáculo. Para projetar um controlador que funcione, eles precisam de um modelo que possa prever o futuro: se eu mover a asa desta maneira, o que o ar fará em seguida? As simulações computacionais tradicionais são incrivelmente precisas, mas tão lentas que não conseguem rodar rápido o suficiente para serem usadas para controle em tempo real. Cientistas tentaram construir modelos mais simples e rápidos, mas estes frequentemente falham quando o sistema se torna complicado ou quando os comandos de controle mudam, porque têm dificuldade em capturar a dança desordenada e não linear entre o fluido e a estrutura ao longo de períodos de tempo prolongados.

Uma equipe de pesquisadores da Universidade Xi'an Jiaotong desenvolveu um novo método para resolver este problema específico, visando criar um modelo rápido e preciso que possa prever cargas aerodinâmicas e o movimento estrutural durante longas durações sem perder o rumo. Eles focaram em um sistema controlado onde um perfil de placa plana, semelhante a uma pequena asa, é feito para dobrar e torcer por atuadores piezoelétricos — materiais que mudam de forma quando uma voltagem elétrica é aplicada. O desafio era ensinar um modelo de computador a observar a interação entre o ar e a asa, aprender as regras de sua conversa e, então, prever o que aconteceria a seguir sob vários comandos de controle, mesmo quando esses comandos mudassem o comportamento do sistema de maneiras complexas. Os pesquisadores descobriram que os métodos padrão, que assumem que o sistema se comporta de uma maneira simples e linear, perdem precisão rapidamente quando a asa se move significamente ou quando os comandos de controle mudam. Esses modelos antigos se afastavam da realidade, prevendo a quantidade errada de força ou o tempo errado para o movimento da asa, tornando-os inúteis para tarefas de controle de longo prazo.

Para corrigir isso, a equipe introduziu uma nova abordagem que chamam de decomposição de modo dinâmico acoplada à carga com controle. Em vez de tratar o empuxo do ar como uma reação simples e estática, o método deles incorpora ativamente os efeitos não lineares das cargas aerodinâmicas no estado interno do modelo. Imagine o modelo como um aluno tentando aprender uma habilidade complexa; os métodos anteriores poderiam ter tentado memorizar os passos em uma linha reta, mas este novo método permite que o aluno olhe para o resultado do passo anterior — a força real que o ar exerceu — e use essa informação para corrigir o próximo passo. Os pesquisadores usaram uma técnica matemática para decompor o fluxo complexo de ar e o movimento da asa em seus padrões mais importantes e simplificados. Eles então adicionaram uma ferramenta de mapeamento especial que recebe o estado atual da asa e a voltagem de controle e prevê os coeficientes de carga aerodinâmica. Crucialmente, essas cargas previstas são alimentadas de volta no modelo para corrigir a evolução do movimento da asa, garantindo que o modelo permaneça consistente com as leis físicas de como o deslocamento e a velocidade estão relacionados. Isso cria um ciclo fechado onde a previsão da força e a previsão do movimento refinam constantemente uma à outra.

Os pesquisadores testaram este novo método contra simulações computacionais de alta fidelidade, que servem como o padrão ouro para precisão, mas são lentas demais para uso em tempo real. Eles treinaram o modelo com dados gerados por um tipo específico de entrada chamado varredura de frequência, onde a voltagem aplicada à asa foi variada lentamente para excitar o sistema através de uma ampla gama de frequências. Uma vez treinado, o modelo foi desafiado a prever o comportamento do sistema durante um período contínuo de 140 segundos sob quatro tipos diferentes de comandos de controle: a mesma varredura de frequência, uma série de ondas senoidais de frequência constante, uma mistura complexa de múltiplas frequências simultâneas e pulsos de degrau suaves que ligavam e desligavam a voltagem. Os resultados foram impressionantes. Enquanto outros métodos avançados começaram a derivar ou produzir grandes erros após alguns segundos, o novo método manteve alta precisão durante todo o teste de 140 segundos. Os erros na previsão das forças aerodinâmicas e no deslocamento da ponta da asa permaneceram notavelmente baixos, nunca excedendo 7,33% para forças e 1,25% para deslocamento em todos os casos de teste. Em muitos casos, o novo método reduziu os erros de previsão em mais da metade em comparação com as melhores técnicas existentes.

O estudo também incluiu uma investigação detalhada para entender exatamente quais partes do novo método foram responsáveis pelo seu sucesso. Ao remover sistematicamente diferentes componentes, como a ferramenta de mapeamento não linear ou as restrições que mantêm o movimento da asa fisicamente consistente, os pesquisadores mostraram que cada parte desempenhou um papel vital. O mapeamento não linear foi essencial para capturar as variações sutis e complexas das forças aerodinâmicas, enquanto as restrições cinemáticas garantiram que o movimento da asa permanecesse realista. Além disso, descobriram que treinar o modelo usando erros de previsões de múltiplos passos longos, em vez de apenas passos únicos, foi crítico para evitar que o modelo se afastasse da realidade ao longo do tempo. Sem esse foco de treinamento de longo prazo, o modelo falharia em sustentar previsões precisas durante a duração estendida necessária para aplicações de controle prático. As descobertas demonstram que, ao acoplar a previsão de cargas diretamente com a evolução do estado do sistema e impor consistência física, é possível criar um modelo de ordem reduzida que é tanto rápido o suficiente para uso em tempo real quanto preciso o suficiente para lidar com as realidades complexas e não lineares da interação fluido-estrutura. Este trabalho fornece uma ferramenta robusta para engenheiros que precisam prever e controlar estruturas flexíveis no ar e na água, oferecendo um caminho para designs mais eficientes e estáveis para tudo, desde asas de aeronaves até coletores de energia.