Aplicação de redes neurais artificiais na estimação do empuxo gerado por um conjunto propulsor de drone

Resumo

A inteligência artificial e o aprendizado de máquina têm tomado cada vez mais espaço em inúmeras áreas, principalmente para estimação de parâmetros concretos e confiáveis. A modelagem de sistemas dinâmicos é parte fundamental de um projeto de controle, e o resultado de um bom controlador está diretamente ligado à qualidade da modelagem do sistema. Para isso, o uso de ferramentas matemáticas é crucial; contudo, a complexidade dos sistemas não lineares dificulta a fidelidade do modelo. Assim, modelos gerados com Redes Neurais Artificiais (RNA) e algoritmos de aprendizado profundo têm sido utilizados como soluções para melhorar essa etapa de projeto. Veículos Aéreos Não Tripulados (VANTs) têm se tornado elementos indispensáveis na agricultura; o aumento do uso desses equipamentos, principalmente no setor logístico, com possibilidades de atuarem como meios de transporte, traz consigo o desafio de relacionar sistemas de propulsão adequados para transporte e a carga possível que os sistemas de propulsão dos veículos aéreos conseguem transportar. Essa relação impacta diretamente a evolução dessa tecnologia nos implementos. Nesse contexto, a estimativa do empuxo gerado pelos conjuntos propulsores é um foco de interesse de estudo para a evolução do uso de drones em aplicações que necessitam de mais carga. Assim, este artigo propõe um modelo de RNA do tipo feed-forward backpropagation para estimar o empuxo de um conjunto motor-hélice, utilizando dados experimentais para analisar o desempenho do modelo e o nível de acurácia. Após treinamento, a rede criada alcançou um Erro Percentual Absoluto Médio (MAPE) de 3,94% comparado ao observado no sistema, e um Erro Médio Absoluto (MAE) de 2,18 gramas. Esses resultados mostram como o uso de redes neurais como ferramenta tem potencial de aplicação na modelagem de sistemas complexos, não lineares, em comparação à modelagem clássica, que apresenta uma matemática complexa e limitada de ser utilizada.