Identificação e predição do comportamento aeroelástico representa um grande desafio para a análise e controle de fenômenos aeroelásticos adversos. A modelagem aeroelástica requer informações tanto sobre a dinâmica estrutural quanto sobre o comportamento aerodinâmico não estacionário. No entanto, a maioria das metodologias disponíveis atualmente são baseadas no desacoplamento entre o modelo estrutural e o modelo aerodinâmico não estacionário. Conseqüentemente, métodos alternativos são bem vindos na área de pesquisa aerolástica. Entre os métodos alternativos está o funcional multicamada, que fornece uma rigorosa representação matemática apropriada para modelagem aeroelástica e pode ser obtido através de redes neurais artificiais. Esse trabalho apresenta uma aplicação desse método, consistindo de um procedimento de identificação baseado em redes neurais artificiais que representam o funcional da resposta aeroelástica. O modelo neural foi treinado usando o algoritmo de Levenberg-Marquardt, o qual tem sido considerado um método de otimização muito eficiente. Ele combina a garantia de convergência do método do gradiente e o alto desempenho do método de Newton, sem a necessidade de calcular as derivadas de segunda ordem. Um modelo de asa ensaiado em túnel de vento foi usado para fornecer a resposta aeroelástica. A asa foi fixada a uma mesa giratória e um motor elétrico lhe fornecia o movimento de incidência. Essa representação aeroelástica funcional foi testada para diversas condições operacionais do túnel de vento. Os resultados mostraram que o uso de redes neurais na identificação da resposta aeroelástica é um método alternativo promissor, o qual permite uma rápida avaliação da resposta aerolástica do modelo.

Identification and prediction of aeroelastic behavior presents a significant challenge for the analysis and control of adverse aeroelastic phenomena. Aeroelastic modeling requires information from both structural dynamics and unsteady aerodynamic behavior. However, the majority of methodologies available today are based on the decoupling of structural model from the unsteady aerodynamic model. Therefore, alternative methods are mostly welcome in the aeroelastic research field. Among the alternative methods there is the multi-layer functional (MLF), that allows a rigorous mathematical framework appropriate for aeroelastic modeling and can be realized by means of artificial neural networks. This work presents an identification procedure based on artificial neural networks to represent the motion-induced aeroelastic response functional. The neural network model has been trained using the Levenberg-Marquardt algorithm that has been considered a very efficient optimization method. It combines the guaranteed convergence of steepest descent and the higher performance of the Newton's method, without the necessity of second derivatives calculation. A wind tunnel aeroelastic wing model has been used to provide motion-induced aeroelastic responses. The wing has been fixed to a turntable, and an electrical motor provides the incidence motion to the wing. This aeroelastic functional representation is then tested for a range of the wind tunnel model operational boundaries. The results showed that the use of neural networks in the aeroelastic response identification is a promising alternative method, which allows fast evaluation of aeroelastic response model.