Você está na página 1de 10

VALIDAO DA CALIBRAO DE UMA BALANA EXTERNA DE TNEL DE VENTO*

*Maria L.C.C. Reis+ 2 Wilson J. Vieira+ 3 Itamar M. Barbosa# 4 Olympio A.F. Mello+ 5 Luciano A. Santos+ Resumo: Balanas aerodinmicas so empregadas em tneis de vento para medir as cargas atuantes em modelos sob teste. Uma metodologia foi desenvolvida para a avaliao da incerteza de calibrao da balana externa do Tnel de Vento Subsnico N. 2, do Centro Tcnico Aeroespacial de So Jos dos Campos. A fim de obter um modelo adequado para fornecer as cargas aerodinmicas a partir das medies das clulas de carga da balana, anteriormente ao ensaio, realize-se uma calibrao aplicando-se pesos na balana atravs de um sistema de cabos e roldanas. Dois procedimentos so empregados para relacionar as leituras das clulas de carga s cargas aerodinmicas: ajuste de curva e Redes Neurais. A modelagem matemtica para a regresso por mnimos quadrados multivariada. A classe de Redes Neurais usada a rede Multy-Layer Perceptrons (MLP) ou Perceptrons de Multicamadas. A anlise de erro inclui o emprego da lei geral de Propagao de Incerteza curva resultante da regresso multivariada e o mtodo de Simulao Monte Carlo. Uma comparao dos mtodos utilizados destacada neste trabalho. Palavraschave: Incertezas, Calibrao, Ensaios, Redes Neurais Artificiais. Abstract: Aerodynmic balances are employed in wind tunnels to measure the loads acting on the model under test. A methodology has been developed for the assessment of the calibration uncertainty of the external balance at the Subsonic Wind Tunnel No. 2 (TA-2), at the Aerodynamic Laboratory, (ASA-L), of the Centro Tcnico Aeroespacial, (CTA), Brazil. In order to obtain a suitable model to provide aerodynamic loads from the balance load cell measurements, a balance calibration is performed prior to the tests, applying loads to the balance through a system of cables and pulleys. Two approaches are employed to relate the load cell readings and the areodynamic loads: curve fitting and neural networks. The mathematical model for the least-squares regression is the multivariate one. The class of neural networks used is the multilayer feedforward networks, commonly referred to as multilayer perceptrons. The error analysis includes the employment of the general law of
mluisareis@iae.cta.br, 2wjvieira@ieav.cta.br, 3 itamar.barbosa@ifi.cta.br,4 oamello@iae.cta.br, lucianosantos@iae.cta.br, + Centro Tcnico Aeroespacial Pa. Marechal Eduardo Gomes N 50 So Jos dos Campos SP- Brasil - CP6001 CEP12228-901 # Escola Politcnica da Universidade de So Paulo Cidade Universitria AV. Professor Luciano Gualberto - So Paulo, SP, CEP 05508-900 Brasil * Este artigo foi apresentado na 24a Conferncia de Tecnologia de Medies Aerodinmicas e Ensaios de Solo.
5 1

ENGEVISTA, v. 7, n. 2, p. 19-28, dezembro 2005

19

propagation of uncertainty to the curve resulting from the multivariate regression and the method of Monte Carlo Simulation. A comparison of the approaches used is outlined in this paper. Keywords: Uncertainty, Calibration, Tests, Artificial Neural Network.

1. INTRODUO Laboratrios de Ensaios no Solo por todo o mundo se preocupam com a padronizao da estimativa de incerteza das grandezas medidas em ensaios aerodinmicos. A equipe do Laboratrio Aerodinmico (ASA-L), seguindo esta tendncia, desenvolveu vrios projetos para melhorar a qualidade de seus servios. Parte do processo para obter os requisitos para competncia do laboratrio inclui a validao de metodologias empregadas nos ensaios aerodinmicos. Fornecer dados de ensaio no solo confiveis em curto perodo de tempo a chave para ajudar nossos clientes a manter sua competitividade no mercado aeronutico internacional. Estudos relacionados anlise de incerteza no tnel de vento subsnico TA-2 resultaram em vrios documentos1, 2, 3, 4, 5 . O objetivo deste estudo validar a metodologia de calibrao da balana externa incluindo a avaliao da incerteza das cargas aerodinmicas medidas. Os valores das cargas aerodinmicas estimadas atravs do ajuste de curva so comparados queles obtidos a partir da aplicao das Redes Neurais. A validao da estimativa da incerteza das cargas realizada pelo procedimento numrico conhecido com mtodo de Simulao Monte Carlo. 2. PROPAGAO DA INCERTEZA A metodologia de avaliao de incerteza adotado est descrita no Guia (GUM), 1995 6. A incerteza padro da estimativa y do mensurando Y a combinao das incertezas padro das estimativas de entrada, x1, x2, ... , xN, suas covarincias e
ENGEVISTA, v. 7, n. 2, p. 19-28, dezembro 2005

a no linearidade da matemtica, e dada por:


2

modelagem

N N 1 N y 2 y y uc2 ( y ) = u ( xi ) + 2 x x u (xi , x j ) + x i =1 i =1 j =i +1 i i j

1 2 f 2 f 3 f u 2 ( xi )u 2 (x j ) + + 2 x x x x x 2 i =1 j =1 i i j i j
N N

(1)

3. CALIBRAO DA BALANA DO TNEL DE VENTO A balana externa de seis componentes usada para medir as cargas Fi (i = 1,...,6) atuantes no modelo durante o ensaio no tnel de vento; F1, F2 e F3 denotam foras e F4, F5 e F6 denotam momentos. A balana prismtica para foras e piramidal para momentos. Uma calibrao da balana realizada anteriormente aos ensaios para fornecer as cargas aerodinmicas que atuam no modelo a ser ensaiado. A calibrao realizada a partir da aplicao de cargas balana atravs de um sistema de cabos e roldanas. Um conjunto de aproximadamente 100 pesos de 10 kg usado para aplicar as cargas de calibrao. Setenta e trs combinaes so usadas para cada ngulo de ataque. A Tabela 1 apresenta algumas combinaes de carregamentos tpicos. Os valores que representam as cargas aplicadas so oriundas da aplicao de pesos na cruz de calibrao. Estes dados experimentais tm sido usados para avaliar e ilustrar a metodologia de avaliao da incerteza no TA-2. Os smbolos F1, F2, F3, F4, F5 e F6 so usados para as foras de arrasto, lateral e sustentao, e para os momentos de rolamento, arfagem e guinada, respectivamente. 20

Tabela 1: Alguns carregamentos tpicos para a calibrao da balana. Unidade: newton para foras e newtonmetro para momentos. Nmero do Carregamento 1 26 38 60 71 0 500 0 500 1000 F1 0 0 800 0 0 F2 0 0 0 2400 F3 -2400 0 -300 0 0 0 F4 0 0 -300 0 F5 -300 0 0 240 0 0 F6 4. MODELAGEM DA CALIBRAO Uma curva de calibrao ajustada para cada conjunto de 73 pontos (Fi ; S1,S2,S3,S4,S5,S6)k, i = 1,...,6. O modelo do ajuste uma combinao linear de 27 funes de Si que so: S1, S2, S3, S4, S5, S6, S12, S1S2, S1S3, S1S4, S1S5, S1S6, S22, S2S3, S2S4, S2S5, S2S6, S32, S3S4, S3S5, S3S6, S42, S4S5, S4S6, S52, S5S6, S62 . O modelo, portanto, compreende vinte e sete parmetros ajustveis aj (j =1,...,27) para F1, vinte e sete parmetros ajustveis bj para F2, e assim por diante, at chegar aos parmetros fj para F6. A equao matricial para o modelo multivariado (mltiplas entradas e sadas) a seguinte:
S1 S 2 a27 b27 S6 S12 S S 1 2 S S 1 3 f 27 6 x 27 S S 5 6 2 S6 27 x1

F1 (S ) = a1S1 + a2 S 2 + a3 S3 + a4 S 4 + a5 S5 + a6 S6 + a7 S12 + a8 S1S2 + a9 S1S3 + a10 S1S4 + a11S1S5 + a12 S1S6 +


2 a13S2 + a14 S2 S3 + a15 S2 S 4 + a16 S2 S5 + a17 S2 S6 + a18 S32 2 + a19 S3 S4 + a20 S3 S5 + a21S3 S6 + a22 S4 + a23S 4 S5 + 2 a24 S4 S6 + a25 S52 + a26 S5 S6 + a27 S6

(3)

A dependncia do modelo em seus parmetros aj, bj,..., fj, (j =1,...,27) linear. As forces aplicadas Fi e as leituras Si, (i = 1,...,6) so as grandezas de entrada da calibrao. Os parmetros aj ,bj ,..., fj obtidos no ajuste de curva, so os mensurandos (ou grandezas de sada) a serem determinados, e alm de estimlos, necessrio tambm fornecer uma estimativa de suas varincias e de suas covarincias 6, 7, 8. 5. INCERTEZAS NAS CARGAS AERODINMICAS A aplicao da lei de propagao de incerteza s equaes que representam o modelo ajustado leva incerteza padro combinada dos valores Fi , estimados pelo ajuste de curva, para quaisquer Si. Considerando a carga F1 , a incerteza combinada para N grandezas de entrada correlacionadas fornecida aplicando a Equao (1) Equao (3): Os termos, u2(aj) e u(aj,al), so as varincias e as covarincias dos parmetros ajustados, aj. Os termos u2(Si) correspondem ao valor quadrtico das incertezas de calibrao, definidos nos certificados de calibrao das clulas de carga. A no linearidade no includa na Equao (4), pois sua contribuio para a incerteza negligencivel5.

a1 F1 b F 1 2 F3 = F4 F5 f1 6 x1 F6

a2 b2

f2

(2) Por exemplo, os 73 pontos (F1; S1,S2,S3,S4,S5,S6)k so ajustados ao modelo:


ENGEVISTA, v. 7, n. 2, p. 19-28, dezembro 2005

21

u c2 (F1 ) = (S1 ) u 2 (a1 ) + (S 2 ) u 2 (a 2 ) +


2 2

+ (S 6 ) u 2 (a 6 ) + + (S 6 ) u 2 (a 27 ) +
2 4

+ 2[ S1 S 2 u (a1 , a 2 ) + S1 S 3 u (a1 , a 3 ) + + S 5 S 6 S 62 u (a 26 , a 27 )] +

+ a11 S 5 + a12 S 6 ) 2 u 2 (S1 ) + + a 26 S 5 + 2a 27 S 6 ) 2 u 2 (S 6 ) + 1 (2a 7 )2 u 2 (S1 )u 2 (S1 ) + 2 1 + (2a 27 ) 2 u 2 (S 6 )u 2 (S 6 ) 2 +

+ (a1 + 2a 7 S1 + a8 S 2 + a 9 S 3 + a10 S 4 +

+ (a 6 + a12 S1 + a17 S 2 + a 21 S 3 + a 24 S 4 + +

(4) 6. O Ajuste de Mnimos Quadrados O arranjo dos valores de fora Fi aplicada cruz de calibrao na matriz [F] e as leituras das clulas de carga na matriz [S], resulta nos parmetros aj da curva de calibrao, via inverso de matriz5, 7:

[a ] = [ [S ]t [S ] ] [S ]t [F ]
1

(5)

[S] chamada matriz de projeto e [S]t sua transposta. A matriz erro, [[S]t[S]]-1, fornece as varincias, u2(aj), e as covarincias, u(aj,al), dos parmetros ajustados, aj. De acordo com as referncias 9 e 10, a determinao dos parmetros aj via inverso de matriz no recomendada. Portanto, um mtodo mais estvel numericamente, o algoritmo de fatorao ortogonal QR, foi tambm usado. Este algoritmo consiste na fatorao da matriz de projeto [S] em uma matriz ortogonal e uma matriz triangular. 7. A REDE NEURAL Redes Neurais Artificiais so tcnicas de inteligncia computacional que podem ser consideradas capazes de resolver certas classes de problemas, entre eles a aproximao de funes, algumas vezes chamada de modelagem matemtica. A modelagem em questo refere-se calibrao da balana externa do TA-2.
ENGEVISTA, v. 7, n. 2, p. 19-28, dezembro 2005

Redes Neurais j tinham sido empregadas em ajustes de curva de calibrao11. O projeto das Redes Neurais Artificiais envolve os seguintes aspectos: o nmero de camadas, o nmero de neurnios em cada camada, a funo de transferncia, o algoritmo de aprendizado, os valores iniciais dos pesos sinpticos, uma medida do desempenho de aprendizagem, e o nmero de iteraes na aprendizagem12. A Rede Neural usada neste estudo possui uma camada de entrada formada pelas variveis de entrada, uma camada oculta de neurnios e uma camada de neurnios de sada. Ela conhecida como MultiLayer Perceptrons (MLP) e considerada completamente conectada, uma vez que cada n em cada camada da rede est conectado a todos os outros ns na camada prxima adjacente. As MLPs foram escolhidas porqu a modelagem matemtica da calibrao da balana externa multivariada. A arquitetura da rede usada apresentada na Figura 1. Trinta Redes Neurais foram usadas, onde o nmero i de ns (variveis) da camada de entrada e o nmero de ns da camada de sada so iguais a 6, j o nmero n de ns da camada oculta variaram de 1 a 30. (Resumindo, Redes: 6-n-6, n = 1,.. , 30 ). O algoritmo de aprendizagem utiliza o mtodo de Levenberg- Maquardt13. O nmero de iteraes de aprendizagem foi 500. Para inicializao, os valores dos pesos sinpticos foram 0.0001. A medida de desempenho de aprendizagem adotada foi a somatria de erros quadrticos14, e2, que consiste na diferena quadrtica entre a resposta real da rede neural e a resposta desejada, somada sobre todo o conjunto de dados.

S1

F1

. . .

. . .

. . .

. . .

Si

Fi

Figura 1: Arquitetura da rede neural. 22

A funo de ativao foi uma sigmoide do tipo:

2 1 [1 + exp(2 x)]

(6)

Em termos matemticos, a funo aproximada pela Rede Neural para cada varivel Fi (foras e momentos) so descritos pela a seguinte equao:
N 6 Fi = (7) w w S 2 in 1nm m i n n = 1 m = 1

N = 1, 2,, 30 (neste trabalho); Fi (i = 1,, 6) so os sinais de sada; i: funo de ativao (ou funo de transferncia) dos neurnios da camada de sada; W2in: pesos sinpticos (ou parmetros livres) dos neurnios da camada de sada; n: funo de ativao (ou funo de transferncia) dos neurnios da camada oculta; W1in: pesos sinpticos dos neurnios da camada oculta; Sm (m = 1,, 6) so os sinais de entrada. H dois modos de operao da rede, o processo de aprendizagem e o processo de simulao. No primeiro, a resposta desejada (ou alvo de sada), representada pelos valores das cargas aplicadas cruz de calibrao, fornecida sada da rede. As leituras das clulas de carga so apresentadas camada de entrada da rede. Ajustes so aplicados aos pesos sinpticos W atravs de processo de aprendizagem iterativo. No segundo caso, as leituras das clulas de carga obtidas durante o ensaio so fornecidas camada de entrada da rede e, a partir dos pesos W fixos determinados durante a fase de aprendizagem, obtm-se os valores das cargas aerodinmicas correspondentes. 8. SIMULAO PELO MTODO MONTE CARLO A aplicao da lei de propagao de incerteza relao funcional entre F e S
ENGEVISTA, v. 7, n. 2, p. 19-28, dezembro 2005

(Equao 3), cujo resultado expresso na Equao (4), de acordo com a recomendao do GUM6, pode ser validada por uma tcnica alternativa, o mtodo de Simulao Monte Carlo (MCS), que foi adotado na ASA-L para avaliar as incertezas das cargas Fi resultantes da curva de regresso. O Mtodo de Monte Carlo uma tcnica que propaga funes densidade de probabilidade (pdf) ao invs de propagar incertezas das grandezas de entrada Xi para fornecer a pdf do mensurando Y. Dada a distribuio, o valor mdio e o desvio padro das grandezas de entrada, um valor aleatrio gerado a partir da funo distribuio para cada Xi. Estes valores so aplicados relao funcional do experimento, que fornece a estimativa correspondente da grandeza de sada Y. A repetio deste processo por vrias vezes resulta na estimativa do valor mdio e da incerteza padro do mensurando. Para um modelo multivariado, onde h interdependncia entre parmetros, as entradas fornecidas ao mtodo Monte Carlo so: os coeficientes da curva de calibrao, ou seja, os parmetros aj da Equao (3), suas incertezas u(aj) correspondentes e covarincias u(aj,al); os valores das leituras das clulas de carga, Si, as incertezas definidas em seus certificados de calibrao, u(Si). Seus coeficientes de correlao so considerados iguais a um. Em ambos conjuntos de dados, as distribuies de probabilidade assumidas so gaussianas. 9. RESULTADOS E DISCUSSES Os parmetros dos mnimos quadrados aj, obtidos por dois meios, fatorao QR e inverso de matriz, so compatveis, o que indica que no h instabilidades numricas na inverso da matriz normal [S]t[S]. A contribuio para a no linearidade da modelagem matemtica da balana (Equao 3) para a incerteza das cargas foi desprezada e portanto no considerada na incerteza combinada. A comparao 23

entre a funo de desempenho obtida a partir dos mnimos quadrados e da Rede Neural representada pela Equao (7), mostrada na Figura 2 e na Tabela 2, em anexo. Nota-se que para um baixo nmero de neurnios na camada oculta (at n < 14), a estimativa das cargas aerodinmicas por curva de regresso superior em comparao ao desempenho da Rede Neural. medida que o nmero de neurnios ocultos aumenta, uma melhora ocorre no valor da funo de desempenho da Rede Neural. Os valores das incertezas, estimados de acordo com a recomendao do GUM, foram comparados aos obtidos pelo mtodo de Monte Carlo e so apresentados na Tabela 3, em anexo. Os resultados do mtodo de Monte Carlo so baseados em um milho de histrias. A contribuio da interdependncia entre os parmetros ajustados aj, expressa pelas covarincias, foi tambm considerada.

que confirmou as cargas aerodinmicas e suas correspondentes incertezas. 11. AGRADECIMENTOS Este trabalho foi financiado pela Fundao de Amparo Pesquisa do Estado de So Paulo (FAPESP) sob no. 00/13769-0 e 04/01726-6. REFERNCIAS 1 Mello O. A. F., Uyeno S., Sampaio O. S., Reis M. L. C. C. Uncertainty Methodology at the Brazilian TA-2 Subsonic Wind Tunnel, AIAA Paper 98-2716, AIAA 20th Advanced Measurement and Ground Testing Technology Conference, Albuquerque, New Mexico, USA, June 1998. 2 Reis M. L. C. C, Mello O. A. F., Uyeno S., Sampaio O. S. A Method for Estimation of the Calibration Uncertainty of an External Six Component Wind Tunnel Balance, AIAA Paper 2002-2793, 22nd AIAA Aerodynamic Measurements and Ground Testing Conference, 24 - 26 June 2002, St. Louis, MO. 3 Reis M. L. C. C., Novaski O., Mello O. A. F., Sampaio O. S., Evaluacion de la Incertidumbre de la Medicion en Tunel de Viento, [Evaluation of the Uncertainty in Measurement in a Wind Tunnel] Informacin Tecnolgica, La Serena, Chile, Vol. 11, No. 6, 2000, pp. 151-160. 4 Reis M. L. C. C, 2000, Expresso da Incerteza da Medio Associada a um Ensaio Aeronutico em Tnel de Vento Subsnico [Expression of the Measurement Uncertainty in Aeronautical Subsonic Wind Tunnel Testing], Tese de Doutorado, Universidade Estadual de Campinas, out. de 2000, 103 p. 5 Reis M. L. C. C, Mello O. A. F., Uyeno S., Sampaio O. S. Calibration Uncertainty of an External Six Component Wind Tunnel Balance, 24

10. CONCLUSES De acordo com padronizao metrolgica internacional, a validao mandatria em procedimentos de calibrao e ensaio. A validao da calibrao da balana externa parte do processo de confiabilidade metrolgica conduzido pelo TA-2. O processo inclui a exatido da modelagem matemtica e a avaliao da incerteza. Foi realizada uma comparao entre o desempenho de uma modelagem polinomial e uma modelagem de Redes Neurais. Foi apresentado que a exatido de ambos os mtodos so compatveis quando o nmero de neurnios na camada invisvel est em torno de 14. Entretanto, a discusso sobre modelagem uma questo de necessidades do cliente, ou seja, os requisitos de exatido de ensaio ditam a escolha da modelagem matemtica. A distribuio, mdia, desvio padro e covarincia dos parmetros da curva de regresso e das clulas de carga foram fornecidos ao mtodo de Monte Carlo,
ENGEVISTA, v. 7, n. 2, p. 19-28, dezembro 2005

AIAA Paper 2003-3884, 33rd AIAA Fluid Dynamics Conference and Exhibit, 23 - 26 June 2003, Orlando, Florida. 6 BIPM / IEC / IFCC / ISO / IUPAP / OIML, Guide to the Expression of Uncertainty in Measurements, 1995. 7 Press W. H., Teukolsky S. A., Vetterling W. T., Flannery B. P. Numerical Recipes, Cambridge University Press, 1992. 8 Bevington P. R. Data Redution and Analysis for the Physical Sciences; McGraw-Hill Book Company, 1969. 9 Cox M. G., Daiton M. P., Harris P. M., Software Suport for Metrology Best Practice Guide n. 6, Uncertainty and Statistical Modelling, Technical report, National Physical Laboratory, Teddington, UK, March 2001.

10 Cox M. G., Forbes A. B., Harris P. M., Software Suport for Metrology Best Practice Guide n. 4, discrete modelling, Technical report, National Physical Laboratory, Teddington, UK, March 2000, revised January 2002. 11 Barbosa I. M., Hernandez E. M., Controle Preventivo de Calibraes utilizando Redes Neurais Artificiais com Funes de Base Radiais Metrologia2003, Brazil. 12 Haykin S., Neural Networks - A comprehensive foundation, Prentice Hall International Inc., 1994. 13 Lira I., Evaluating the measurement uncertainty, IOP, 2003. 14 Hertz J., Anders K., Richard G. P., Introduction to the theory of neural computation, Addison-Wesley Publishing Company, 1995.

ANEXOS:
5 4,7498 3,8496

4,5

MLP

Polynomial

somatria dos erros quadrticos

2,9851

3,5

2,8527 2,2343 1,6631

2,5

1,5

1,2775

1,369 0,74508

0,73473

0,63116

0,65129

0,56049

0,52628

0,46988

0,43712

0,4918

0,38674

0,33438

0,28668

0,38811 29

0,5

0 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 30
nmero de ns na camada oculta

Figura 2 Comparao da funo desempenho (e2) entre 25 Redes Neurais tipo MPL e o polinmio.
ENGEVISTA, v. 7, n. 2, p. 19-28, dezembro 2005

25

0,28289

0,742099

0,40441

0,50831

0,53363

Rede

Rede e2 Total

e2 Total

e2 F2 1
12672 19800 19800 59,835 2,13E+05 99232 3,64E+05

e2 F1

e2 F6

e2 F5

e2 F4

e2 F3

e2 F2

e2 F1

11

0,21223

0,14967

1,6631

12

0,15391

0,14143 12666 19800 19800 56,82 6,083 99236 1,52E+05

1,2775

13

0,14448

0,14298

1,369

12666

19800

19800

3,6438

6,0547

0,21847

52276

14

0,12304

0,13772 12666 8770,4 11032 3,517 6,071 0,20384

0,74508

32478

15

Tabela 2 Estimativa da funo de desempenho total e parcial, e2, para a Rede Neural e para o polinmio.

ENGEVISTA, v. 7, n. 2, p. 19-28, dezembro 2005 12666 1,3578 1,0562 2,3095 6,2485 0,22424 12678

0,11806

0,13717

0,73473

16

0,091001 0,25088 1,3596 0,97269 1,4985 0,47536

0,12671

0,63116

0,19276

4,7498

17

0,088285 0,22906 1,3338 0,99704 0,85583

0,12593

0,65129

0,26135

0,17253

3,8496

18

0,093611 0,23773 0,70847 0,99731

0,12729

0,52628

0,57882

0,30367

0,15909

2,9851

19

0,078589 0,23468 0,46301 0,92689

0,12953

0,56049

0,87785

0,21172

0,13853

2,8527

20

10

0,069297 0,24774 0,58915

0,10591

0,50831

0,38382

0,69595

0,17026

0,14735

2,2343

0,116423 0,112135 0,127988

0,143217

0,742099

0,052373

0,189963

0,116423

0,143217

0,742099

Polinmio

26

Rede e2 Total

0,090133 22

0,065267 0,21721 0,43768 23

0,061829 24

0,071275 25

ENGEVISTA, v. 7, n. 2, p. 19-28, dezembro 2005

0,062621 26

e2 F6
21 0,030123 0,163 0,057157 0,09165 0,53363 0,25653 0,48177 0,18399 0,032664 0,14414 0,077195 0,10358 0,4918 0,09041 0,027115 0,15766 0,072215 0,090482 0,46988 0,23794 0,30617 0,22894 0,024758 0,07194 0,068809 0,089259 0,38674 0,18567 0,15052 0,064888 0,018446 0,1445 0,059889 0,087548 0,43712 0,14682 0,12743 0,062455 0,01647 0,079677 0,050823 0,082256 0,33438 0,13961 27 0,133 0,064459 0,018843 0,12704 0,066631 0,080299 0,40441 0,15254 28 0,11475 0,082338 0,017997 0,073241 0,045652 0,07609 0,28668 0,12503 29 0,05941 0,03833 0,012371 0,13717 0,056073 0,084189 0,38811 0,095313 30 0,076485 0,028343 0,011983 0,053657 0,052533 0,077149 0,28289 0,095341 0,068109 0,041741 0,052373 0,189963 0,116423 0,143217 0,742099 0,112135 0,127988 0,052373

e2 F5

e2 F4

e2 F3

e2 F2

e2 F1

e2 F6

e2 F5

e2 F4

e2 F3

0,10157

0,37895

0,068953

0,23687

0,060581

0,30843

0,060698

0,083231

0,064112

0,14279

0,0562

0,048958

0,076381

0,067185

0,044415

0,087433

0,040207

0,033498

0,082614

0,037513

0,060798

0,15223

0,044123

0,04344

0,12791

0,112135

0,127988

0,189963

27

Tabela 3: resultados do GUM e MSC (1000000 histrias) para a incerteza nas cargas aerodinmicas. Unidade: newton para fora e newtonmetro para momento). Fi Carreganent Fi aplicado o n. 1 26 38 60 71 F2 1 26 38 60 71 F3 1 26 38 60 71 F4 1 26 38 60 71 F5 1 26 38 60 71 F6 1 26 38 60 71 0 500 0 500 1000 0 0 800 0 0 -2400 0 0 0 2400 0 -300 0 0 0 -300 0 0 -300 0 0 0 240 0 0 Fi ajustado GUM 0.51195 499.16293 -0.41340 499.25639 999.98652 -0.20259 -0.10234 800.10258 0.11840 -0.22420 0.25197 0.03492 0.21573 2399.50371 -0.51217 -300.32613 -0.07717 -0.14593 -0.34989 -299.76879 -0.07098 -0.66202 -300.31701 -0.30006 0.01674 0.37475 240.57584 0.25371 0.13969 MSC 0.51197 499.16270 -0.41290 499.25697 999.98572 -0.20268 -0.10278 800.10211 0.11862 -0.22428 0.25176 0.03396 0.21709 2399.50211 -0.51234 -300.32627 -0.07781 -0.14584 -0.34944 -299.76868 -0.07091 -0.66137 -300.31727 -0.29976 0.16440 0.37458 240.57637 0.25390 0.13991 u(Fi) GUM 0.38407 0.28691 0.35429 0.28653 0.41589 0.38152 0.30425 0.35734 0.30405 0.40774 1.16578 1.12808 1.15320 1.12800 1.18017 0.28400 0.23836 0.26948 0.23825 0.29994 0.36256 0.27053 0.33436 0.27029 0.39268 0.33987 0.25391 0.31353 0.25368 0.36802 MSC 0.38450 0,28684 0.35467 0.28656 0.41536 0.38151 0.30431 0.35752 0.30418 0.40727 1.16690 1.12838 1.15320 1.13008 1.17960 0.28318 0.23855 0.27035 0.23808 0.30099 0.36245 0.27057 0.33455 0.27005 0.39189 0.34002 0.25448 0.31326 0.25416 0.36863

F1

-2400.12430 -2400.12419

ENGEVISTA, v. 7, n. 2, p. 19-28, dezembro 2005

28