@inproceedings{243329_1,

title = {Estudo do Desempenho Aerodin\^{a}mico de Scramjets usando Redes Neurais Profundas},

author = {\^{A}ngelo Carvalho Paulino and Angelo Passaro},

url = {https://www.sige.ita.br/edicoes-anteriores/2024/st/243329_1.pdf?x11208},

issn = {1983-7402},

year  = {2024},

date = {2024-01-01},

booktitle = {Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa 2024 (SIGE2024)},

abstract = {A \'{a}rea de hipers\^{o}nica tem atra\'{i}do interesse mundial devido a suas aplica\c{c}\~{o}es espaciais e militares. Este trabalho explora o uso de Redes Neurais Profundas (DNNs, do ingl\^{e}s "Deep Neural Networks") para prever o desempenho aerodin\^{a}mico de scramjets. Os datasets de treinamento e teste foram gerados usando dados de processos de otimiza\c{c}\~{a}o computacional, cobrindo diferentes altitudes e n\'{u}meros de Mach. Nesse contexto, os resultados mostram que as DNNs treinadas podem prever com precis\~{a}o o empuxo l\'{i}quido em condi\c{c}\~{o}es de voo n\~{a}o \'{o}timas. As DNNs treinadas n\~{a}o s\'{o} substituem c\'{a}lculos computacionalmente custosos, mas tamb\'{e}m aproveitam dados da otimiza\c{c}\~{a}o que s\~{a}o potencialmente descart\'{a}veis para melhorar sua capacidade de generaliza\c{c}\~{a}o. Contribui\c{c}\~{o}es incluem a capacidade das DNNs facilitarem o pr\'{e}-projeto de scramjets, economizando recursos computacionais e fornecendo uma metodologia r\'{a}pida para o estudo de desempenho em diferentes condi\c{c}\~{o}es de voo. Palavras-Chave  Hipers\^{o}nica, Redes Neurais Profundas, Scramjets.},

keywords = {Hipers\^{o}nica, Redes Neurais Profundas, Scramjets},

pubstate = {published},

tppubtype = {inproceedings}

}