Académique Documents
Professionnel Documents
Culture Documents
redes neuronais
Paulo Triunfante Martins, Victor Lobo1,2
1
Escola Naval, 2ISEGI
vlobo@isegi.unl.pt
Sumário
1- Introdução
Para determinar os referidos movimentos, em função das excitações que o navio sofre (estado
do mar, vento, propulsão, efeitos dos seus apêndices) é necessário determinar a função de
transferência entre ambos, normalmente conhecida por RAO (Response Amplitude Operator).
Esta função é dependente unicamente da geometria e características hidrodinâmicas dos
navios e seus componentes. Analiticamente, o movimento traduz-se no seguinte sistema de
equações diferenciais acopladas:
∑ ⎡⎢⎣( I ) ⎤
6 •• •
+ Aij si + Bij si + Cij si ⎥ = Fi ; onde j = 1,... 6
i =1
ij
⎦ (1)
si = x,y,z,φ ,θ ,ψ
•
si = u,v,w,p,q,r
que traduz a igualdade entre as forças de excitação (Fj) e as forças de inércia (Ijk) e massa
acrescentada do navio (Ajk), forças de amortecimento (Bjk) - provenientes da dissipação da
energia pela formação de ondas, e forças de restituição (Cjk) - provenientes da flutuação
positiva do navio (onde os índices j e k correspondem aos diferentes movimentos).
⎧⎛⎜
m − Y ⎞⎟ v• − Y r• − Y v + (mU − Y ) r = Y ( t )
⎪⎝ v⎠
• •
r
v r
(2)
⎨
⎪− N • v + ⎛⎜⎝ I z − N • ⎞⎟⎠ r − N v v − N r r = N ( t )
• •
⎩ v r
Da qual se pode deduzir a expressão do raio de giração de um navio (R) em função dos
mesmos parâmetros adimensionalizados pelo comprimento do navio (L) e velocidade de
avanço inicial (U) (Burcher 1971):
Esta abordagem, porém, não consegue modelar efectivamente vários problemas que parecem
ser não-lineares, tais como guinadas apertadas (raios de giração pequenos), manobras em
águas restritas, etc. Para colmatar esta limitação, foi desenvolvida por (Abkowitz 1964) e
(Strom-Tejsen 1965) uma teoria não linear, que propõe o desenvolvimento em séries de
Taylor das forças e momentos até termos de terceira ordem. Actualmente, existem ainda na
literatura outros modelos matemáticos, aplicáveis a problemas específicos, bem como,
procedimentos de cálculo dos coeficientes hidrodinâmicos. Contudo, todos estes métodos têm
limitações. Em primeiro, são dependentes do modelo matemático utilizado para representar as
forças hidrodinâmicas. Em segundo, todas assumem que as forças e momentos aplicadas ao
navio ou modelo são obtidas pelo movimento no instante t = 0 e não são afectadas pela sua
história, o que não é verdade (Rawson and Tupper 2001).
No que diz respeito a navios de superfície, redes neuronais foram já utilizadas na estimação
de movimentos de arfagem e cabeceio num trimaran a navegar em ondas regulares (Atlar,
Mebashi et al. 1998) , (Mebashi 1998), e na simulação de provas de giração e provas de zig-
zag (Hess and Faller 2001). Neste último artigo as RNN foram aplicadas na simulação das
provas de giração de dois navios diferentes, uma RNN para cada navio, onde foram obtidos
erros entre 5 a 10%.
Como variáveis de entrada foram utilizadas forças e momentos, em vez de variáveis
geométricas, tendo o autor esclarecido que desta forma, provavelmente, os erros seriam
inferiores. No entanto, não foram incluídos parâmetros ambientais que influenciam as
estimativas, pois são difíceis de contabilizar.
Nesta fase foram usados dados obtidos pela Marinha Portuguesa referentes a dois tipos de
navios muito diferentes: uma fragata e um navio hidrográfico. Esses dados referem-se a 47
ensaios feios no mar, em condições diferentes. A maior parde dos ensaios (35) referem-se à
fragata, sendo apenas 11 referentes ao navio hidrográfico. Ao todo, para cada ensaio
registaram-se 15 parâmetros: velocidade no navio, ângulo de leme, bordo para o qual se
guinou, deslocamento, boca, imersão, comprimento, CB (Coeficiente de bloco), LCG
(Posição longitudinal do centro de gravidade), caimento, posição longitudinal do leme, área
do leme, e densidade da água do mar. Ambos os navios têm apenas um leme, e dado os
ensaios foram realizados em boas condições meteorológicas despresou-se o efeito da área das
superestruturas.
Para implementar a rede neuronal usou-se o “Enterprise Miner” do SAS 8.1. 70% dos dados
disponíveis foram usados para treino, e 30% para validação. O conjunto de validação foi
usado para estimar a taxa de erro, o que faz com que a estimativa seja optimista relativamente
a uma obtida com um verdadeiro conjunto de teste. No entanto, dada a escassez de dados
disponíveis nesta altura esta pareceu-nos ser a abordagem mais razoável. A média das taxas
de erro obtidas foram de 6.0%, com um desvio padrão de 3.2%. Foram tentadas arquitecturas
diferentes (perceptrão simples, e multicamada com 3 e 4 neuronónios na camada escondida),
mas os resultados foram sempre priores. A título de curiosidade, fez-se também uma
regressão linear com os dados disponíveis, obtendo-se um erro médio de 74% sobre o mesmo
conjunto de validação.
Mostrou-se que, mesmo com poucos dados experimentais, é possível obter com redes
neuronais estimativas muito boas para os raios de giração de navios. Essas estimativas têm
erros que são aproximadamente metade dos obtidos com os métodos clássicos. Utilizando
mais dados, referentes a mais navios em condições diferentes, esperamos ser capazes de
produzir estimativas fiáveis para novos navios (em fase de projecto ou construção),
simplificando consideravelmente o desenho dos mesmos.
4 – Referências bibliográficas