|
Abstract:
|
Algoritmos de Machine Learning e redes neurais artificiais representam um marco para as tecnologias digitais atuais. Entretanto, a aplicabilidade desses modelos não se restringe unicamente a problemas de reconhecimento de imagens ou síntese de fala, sendo fortemente aplicados na geração de modelos preditivos de difícil formulação, mas com histórico conhecido. Em se tratando da Engenharia Naval, um dos problemas que se encaixa nesse contexto é justamente a estimativa da resistência ao avanço de uma embarcação. Embora diversos trabalhos proponham o uso de algoritmos de Machine Learning para o cálculo da resistência ao avanço, não foram encontradas iniciativas que apliquem tais técnicas à estimativa da resistência ao avanço de embarcações planantes. Nesse sentido, este trabalho apresenta o desenvolvimento de redes neurais artificiais destinadas à estimativa da resistência ao avanço de embarcações planantes cujo conjunto de treinamento é gerado aplicando-se o clássico método Savitsky. Para tanto, levantou-se os dados referentes a 54 cascos planantes e utilizou-se uma implementação conhecida do método de Savistky para estimar a resistência ao avanço considerando sete valores de velocidade. O algoritmo proposto foi desenvolvido em Python e utiliza bibliotecas sabidamente robustas e eficientes para o tratamento dos dados, definição da topologia das redes, treinamento, validação e plotagem de resultados. Visando determinar os parâmetros topológicos da rede que minimizam o erro quadrático médio, foram explorados 12 modelos neurais, os quais foram treinados por 100 ciclos em lotes de 15 pontos, sempre utilizando um conjunto de treinamento que corresponde a 70% dos dados disponíveis. Os resultados mostraram que todas as topologias foram capazes de identificar padrões, permitindo estimar a resistência ao avanço de um casco planante com diferentes graus de precisão, com a inexplicável exceção da rede M8, cujo comportamento não pôde ser compreendido. Embora o modelo M12 tenha apresentado o menor erro quadrático médio (4,30) em relação ao conjunto de teste, considera-se que o modelo M4, obteve um desempenho melhor, pois, além de apresentar o segundo menor erro quadrático médio (6,37), conseguiu estimar a resistência ao avanço utilizando uma quantidade menor de parâmetros de entrada do que o modelo M12. Por fim, os resultados mostraram que o parâmetro que mais influenciou no desempenho das redes estudadas foi o número de camadas internas do modelo, sendo que as redes com duas camadas internas apresentaram sempre um erro quadrático médio inferior às redes com apenas uma camada interna. |
