Aprendizado de máquina para desenvolvimento de modelo semi-empírico de predição de ruído de motor aeronáutico

Abstract

O aumento do tráfego aéreo eleva o nível de ruído existente no entornos dos aeroportos, impactando a qualidade de vida da população que habita tais espaços. Nesse contexto, a predição de ruído é uma importante ferramenta de projeto preliminar de aeronaves orientado à atenuação de ruído, visando ao conforto acústico e conformidade com as normas existentes em cada país, que tem se tornado cada vez mais rígidas. Uma das principais fontes de ruído em uma aeronave durante a decolagem é o seu sistema propulsivo, sendo o motor turbo fan predominante na aviação. Com o objetivo de obter ferramentas de predição de ruído adequadas, foi proposta uma modificação da regressão utilizada por Heidmann (1979) para a predição de ruído de banda larga de conjunto rotor estator característico de turbofan. A metodologia utilizada para obter modelo de predição consistiu na aplicação de três técnicas de aprendizado de máquina (random florest, k nearest neighbors e Multi Layer Perceptron) em dados de ensaio de ruído existentes. Para a seleção de modelo utilizou-se validação cruzada e análise das métricas de erro nos modelos obtidos. Os modelos selecionados como melhores foram os seguintes: random florest com erro médio de 0.676, k nearest neighbors com erro médio de 0.56 e um modelo que utiliza Multi Layer Perceptron com erro médio de 1.286. Apesar do modelo utilizando Multi Layer Perceptron possuir um erro médio maior e ser mais caro computacionalmente que o modelo random florest e KNN, o modelo Multi Layer Perceptron foi considerado mais adequado para a predição devido à suavidade apresentada na predição de nível de pressão sonora total.

The increase in air traffic raises the noise level around airports, impacting the quality of life of the population that inhabits these spaces. In this context, noise prediction is an important tool for aircraft preliminary design oriented to noise attenuation, in a manner that acoustic comfort and compliance with existing legal standards are accounted for, which is important because those standards have become increasingly restricted. One of the main sources of noise in an aircraft during takeoff is the propulsive system, being the turbofan engine the most used. To obtain adequate noise prediction tools, a modification of the regression used by Heidmann (1979) for broadband noise prediction of a turbofan rotor-stator assembly was proposed. The methodology used to obtain a new prediction model consists of the application of three machine learning techniques (random forest, k nearest neighbors and Multi Layer Perceptron) in existing engine noise data. Cross-validation and analysis of error were applied in the models obtained for model selection. The best models selected were the following: random forest with an average error of 0.676, k nearest neighbours with an average error of 0.56 and a model that uses a Multi Layer Perceptron with an average error of 1.286. Although the highest error is found on the Multi Layer Perceptron model and it has a greater computational cost than the other models, the Multi Layer Perceptron was considered more suitable for prediction due to the smoothness presented in the prediction of overall sound pressure level.