A Otimização Multidisciplinar em Projeto (em inglês, Multidisciplinary Design Optimization - MDO) é uma ferramenta de projeto importante e versátil e seu uso está se expandindo em diversos campos da engenharia. O foco desta metodologia é unir disciplinas envolvidas no projeto para que trabalhem suas variáveis concomitantemente em um ambiente de otimização, para obter soluções melhores. É possível utilizar MDO em qualquer fase do projeto, seja a fase conceitual, preliminar ou detalhada, desde que os modelos numéricos sejam ajustados às necessidades de cada uma delas. Este trabalho descreve o desenvolvimento de um código de MDO para o projeto conceitual de asas flexíveis de aeronaves, com restrição quanto ao fenômeno denominado flutter. Como uma ferramenta para o projetista na fase conceitual, os modelos numéricos devem ser razoavelmente precisos e rápidos. O intuito deste estudo é analisar o uso de metamodelos para a previsão do flutter de asas de aeronaves no código de MDO, ao invés de um modelo convencional, o que pode alterar significativamente o custo computacional da otimização. Para este fim são avaliados três técnicas diferentes de metamodelagem, que foram escolhidas por representarem duas classes básicas de metamodelos, a classe de métodos de interpolação e a de métodos de aproximação. Para representá-las foram escolhidos o método de interpolação por funções de base radial e o método de redes neurais artificiais, respectivamente. O terceiro método, que é considerado um método híbrido dos dois anteriores, é chamado de redes neurais por funções de bases radiais e é uma tentativa de acoplar as características de ambos em um único metamodelo. Os metamodelos são preparados utilizando um código para solução aeroelástica baseado no método dos elementos finitos acoplado com um modelo aerodinâmico linear de faixas. São apresentados resultados de desempenho dos três metamodelos, de onde se pode notar que a rede neural artificial é a mais adequada para previsão de flutter. O processo de MDO é realizado com o uso de um algoritmo genético multi-objetivo baseado em não-dominância, cujos objetivos são a maximização da velocidade crítica de flutter e a minimização da massa estrutural. Dois estudos de caso são apresentados para avaliar o desempenho do código de MDO, revelando que o processo global de otimização realiza de fato a busca pela fronteira de Pareto.

The Multidisciplinary Design Optimization, MDO, is an important and versatile design tool and its use is spreading out in several fields of engineering. The focus of this methodology is to put together disciplines involved with the design to work all their variables concomitantly, at an optimization environment to obtain better solutions. It is possible to use MDO in any stage of the design process, that is in the conceptual, preliminary or detailed design, as long as the numerical models are fitted to the needs of each of these stages. This work describes the development of a MDO code for the conceptual design of flexible aircraft wings, with restrictions regarding the phenomenon called flutter. As a tool for the designer at the conceptual stage, the numerical models must be fairly accurate and fast. The aim of this study is to analyze the use of metamodels for the flutter prediction of aircraft wings in the MDO code, instead of a conventional model itself, what may affect significantly the computational cost of the optimization. For this purpose, three different metamodeling techniques have been evaluated, representing two basic metamodel classes, that are, the interpolation and the approximation class. These classes are represented by the radial basis function interpolation method and the artificial neural networks method, respectively. The third method, which is considered as a hybrid of the other two, is called radial basis function neural networks and is an attempt of coupling the features of both in single code. Metamodels are prepared using an aeroelastic code based on finite element model coupled with linear aerodynamics. Results of the three metamodels performance are presented, from where one can note that the artificial neural network is best suited for flutter prediction. The MDO process is achieved using a non-dominance based multi-objective genetic algorithm, whose objectives are the maximization of critical flutter speed and minimization of structural mass. Two case studies are presented to evaluate the performance of the MDO code, revealing that overall optimization process actually performs the search for the Pareto frontier.