Model order reduction is necessary even in a time where the parallel processing is usual in almost any personal computer. The recent Model Reduction Methods are useful tools nowadays on reducing the problem processing. This work intends to describe a combination between POD (Proper Orthogonal Decomposition) and Ritz vectors that achieve an efficient Galerkin projection that changes during the processing, comparing the development of the error and the convergence rate between the full space and the projection space, in addition to check the stability of the projection space, leading to an adaptive model order reduction for nonlinear dynamical problems more efficient. This model reduction is supported by a secant formulation, which is updated by BFGS (Broyden - Fletcher - Goldfarb - Shanno) method to accelerate convergence of the model, and a tangent formulation to correct the projection space. Furthermore, this research shows that this method permits a correction of the reduced model at low cost, especially when the classical POD is no more efficient to represent accurately the solution.

A Redução de ordem de modelo é necessária, mesmo em uma época onde o processamento paralelo é usado em praticamente qualquer computador pessoal. Os recentes métodos de redução de modelo são ferramentas úteis nos dias de hoje para a redução de processamento de um problema. Este trabalho pretende descrever uma combinação entre POD (Proper Orthogonal Decomposition) e vetores de Ritz para uma projecção de Galerkin eficiente que sofre alterações durante o processamento, comparando o desenvolvimento do erro e a taxa de convergência entre o espaço total e o espaço de projeção, além da verificação de estabilidade do espaço de projeção, levando a uma redução de ordem do modelo adaptativo mais eficiente para problemas dinâmicos não-lineares. Esta redução de modelo é assistida por uma formulação secante, que é atualizado pela formula de BFGS (Broyden - Fletcher- Goldfarb - Shanno) com o intuito de acelerar a convergência do modelo, e uma formulação tangente para a correção do espaço de projeção. Além disso, esta pesquisa mostra que este método permite a correção do modelo reduzido com baixo custo, especialmente quando o clássico POD não é mais eficiente para representar com precisão a solução.