Este trabalho apresenta uma metodologia para predição da distribuição de pressão sobre uma asa bi-trapezoidal genérica usando redes neurais artificiais. O toolbox de redes neurais do MatLab® foi utilizado para o treinamento e validação das redes neurais e os conjuntos de treinamentos foram obtidos por meio do software BLWF® versão 28 (Boundary Layer Wing-Fuselage) um código CFD (Computacional Fluid Dynamics) de potencial completo com correção de camada limite. Levando em consideração o nível de complexidade do problema, optou-se por dividir o estudo em três etapas de desenvolvimento. Inicialmente, uma rede neural foi treinada considerando apenas as variáveis de condição de voo e de forma em planta. Resultados promissores motivaram a criação de uma segunda rede neural, mais genérica, na qual foram adicionadas variáveis de três perfis distribuídos ao longo da asa. Porém apenas um desses perfis era variável enquanto que os demais eram parametrizados com relação à este perfil. Criou-se, por fim, uma rede neural ainda mais genérica, desta vez atentando também para as variáveis dos três perfis de modo independente. Os resultados obtidos mostram que esta metodologia pode ser usada como interessante ferramenta para obtenção de distribuição de pressão, especialmente em projetos de MDO (Multi-Disciplinary Optimization), uma vez que ela possibilita uma predição rápida, precisa e de fácil automatização de pressão em uma asa genérica.

This work shows a method for predicting pressure distribution over a generic bi-trapezoidal wing using artificial neural networks. The MatLab® Neural Network Toolbox was used for the neural network implementation and the training set was obtained using the BLWF® version 28 (Boundary Layer Wing-Fuselage), a full potential CFD (Computational Fluid Dynamics) code with boundary layer correction. The work was divided in three development phase, according with the problem complexibibility level. Initially, a neural network considering only flight conditions and plan form variables was trained. Promising results motivated the generation of a more generic neural network, considering also parameters of three airfoils distributed along the wing spanwise and chordwise. However only one airfoil was variable, the two other were parametrized in relation to the variable airfoil. At last, an even more generic neural network was generated, this time considering also the variables of the three profiles independently. The results show that this methodology can be successfully used as an interesting tool to obtain the pressure distribution, especially on the solution of MDO (Multi-Disciplinary Optimization) problems, since it allows fast prediction, automation facility and accurate measuring of the pressure distribution under a generic wing.