Estudo do Desempenho Aerodinâmico de Scramjets usando Redes Neurais Profundas

A área de hipersônica tem atraído interesse mundial devido a suas aplicações espaciais e militares. Este trabalho explora o uso de Redes Neurais Profundas (DNNs, do inglês “Deep Neural Networks”) para prever o desempenho aerodinâmico de scramjets. Os datasets de treinamento e teste foram gerados usando dados de processos de otimização computacional, cobrindo diferentes altitudes e números de Mach. Nesse contexto, os resultados mostram que as DNNs treinadas podem prever com precisão o empuxo líquido em condições de voo não ótimas. As DNNs treinadas não só substituem cálculos computacionalmente custosos, mas também aproveitam dados da otimização que são potencialmente descartáveis para melhorar sua capacidade de generalização. Contribuições incluem a capacidade das DNNs facilitarem o pré-projeto de scramjets, economizando recursos computacionais e fornecendo uma metodologia rápida para o estudo de desempenho em diferentes condições de voo.