Universidade Estadual de Campinas

Faculdade de Engenharia Civil Arquitetura e Urbanismo

Gian Luigi Correa Roberto

Introdução ao Estudo e Simulação de Microexplosões de

Vento

Campinas
2021
 Universidade Estadual de Campinas
Faculdade de Engenharia Civil, Arquitetura e Urbanismo

Gian Luigi Correa Roberto

Introdução ao Estudo e Simulação de Microexplosões de

Vento

Trabalho Final de Curso apresentado

como requisito parcial para obtenção do
título de Bacharel em Engenharia Civil à
Faculdade de Engenharia Civil,
Arquitetura e Urbanismo da Universidade
Estadual de Campinas.

Orientador: Professor Doutor Gustavo Henrique Siqueira

Campinas
2021
Introdução ao Estudo e Simulação de Microexplosões de Vento

Gian Luigi Correa Roberto

BANCA EXAMINADORA

....................................................................
Prof. Dr. Gustavo Henrique Siqueira
Orientador(a)

...................................................................
Prof. Dr. Cilmar Donizeti Baságlia

...................................................................
Prof. Me. Eduardo Marques Vieira Pereira

Aprovado em: ________________

 RESUMO

Muitos são os danos decorrentes de microexplosões (downbursts) de vento que

ocorrem em ambientes urbanos, causando danos materiais e ameaçando a
segurança da população. Dentre os casos registrados, esse fenômeno já foi causa
de acidentes aéreos, falta de energia elétrica e danos estruturais a construções. A
partir disso, assumindo que a previsibilidade da ocorrência e intensidade desses
fenômenos teria grande valor à população no desenvolvimento de medidas
preventivas aos riscos, o presente trabalho tem por objetivo, com o auxílio da
literatura já existente sobre o tema, dar uma introdução ao estudo do fenômeno de
microexplosões, abordando os seus processos de formação, as características que o
definem, e os métodos para simulação numérica da velocidade de vento durante a
ocorrência de uma microexplosão. Para esse objetivo foi desenvolvido um algoritmo
para simular o histórico de velocidade horizontal do vento de uma microexplosão em
diversas alturas de um ponto de observação baseado no modelo de Chen e
Letchford (2007). O resultado da simulação foi então comparado com o trabalho de
Chen e Letchford (2007), onde identificou-se coerência nos resultados, concluindo
que o algoritmo é útil e passível de refinamento, deixando espaço para o estudo
futuro de sua aplicação para determinar a pressão do vento e seu efeito na dinâmica
das estruturas.

Palavras-chave: Microexplosões. Ventos extremos. Simulações numéricas.

Downburst.
 ABSTRACT

There are many damages resulting from wind downbursts that take place in
urban environments, causing material damage and threatening the safety of the
population. Among recorded cases, this phenomenon has already been the
cause of plane accidents, interruption on electricity supply and structural
damage to buildings. From this, assuming that the predictability of the
occurrence and intensity of these phenomena would be of great value to the
population in the development of risk prevention measures, the present work
aims, based on the existing literature on the subject, to give an introduction to
the study of the phenomenon of downbursts, approaching their formation
processes, the characteristics that define them, and the methods for numerical
simulation of the wind speed during the occurrence of a downburst. For this
purpose, an algorithm was developed to simulate the horizontal wind speed
history of a downburst at different heights of an observation point based on the
CHEN and LETCHFORD (2007) model. The result of the simulation was then
compared with the results presented by CHEN and LETCHFORD (2007), where
consistency in the results was verified, showing that the algorithm is useful
and amenable to further development, allowing future studies of its application to
determine the pressure of the wind and its effect on the dynamics of
structures.

Keywords: Downbursts. Extreme winds. Numerical simulations.

 SUMÁRIO

1 INTRODUÇÃO.........................................................................................................1
1.1 JUSTIFICATIVA......................................................................................................1
1.2 OBJETIVOS............................................................................................................2
1.2.1 Objetivos
Gerais...................................................................................................2
1.2.2 Objetivos
Específicos...........................................................................................2
1.3 ORGANIZAÇÃO DO TRABALHO...........................................................................2
2 REVISÃO
BIBLIOGRÁFICA.....................................................................................4
3
METODOLOGIA......................................................................................................19
4 RESULTADOS E DISCUSSÕES............................................................................25
5
CONCLUSÃO..........................................................................................................38
REFERÊNCIAS..........................................................................................................39
ANEXO.......................................................................................................................41
1. INTRODUÇÃO

Segundo dados do Centre for Research on the Epidemiology of Disasters

(CRED) desastres naturais relacionados ao clima tem sido os maiores responsáveis
por perdas materiais e econômicas quando comparados aos demais desastres
naturais. Durante o período entre 1998 e 2017, mais de 80% dos desastres naturais
registrados foram relacionados ao clima, sendo que 32% destes foram fenômenos
de ventos extremos, como tornados e microexplosões (BELOW et al, 2018).
Além de ser um fenômeno que ocorre de maneira considerada frequente, sua
ocorrência pode causar danos materiais e humanos. Segundo Wilson e Wakimoto
(2001) até 1985 um acidente aéreo a cada 18 meses era causado por
microexplosões (downbursts).
Um desses acidente foi a queda do voo 66 da Eastern Air Lines em 1975,
estudado por Fujita (1978). Conforme seu estudo, o voo sofreu o efeito da brusca
mudança na velocidade do vento gerada por uma downburst e veio a colidir com o
solo durante o pouso, causando a morte de 107 passageiros e seis tripulantes
(LIMA 2014). Esse estudo trouxe grande visibilidade ao fenômeno, que tem sido
estudado ativamente desde então.

1.1 JUSTIFICATIVA

Além da relevância do tema na área da meteorologia e aviação, é observado

que os ventos horizontais gerados por downbursts podem ser intensos o suficiente
para causar danos estruturais consideráveis. Em 29 de Janeiro de 2016, um
fenômeno de vento extremo atingiu a cidade de Porto Alegre, no estado do Paraná,
e causou expressivos danos materiais. Após estudos, concluiu-se que o evento
provavelmente se tratava de uma microexplosão (BURD, 2018). A tempestade
levou a queda de árvores e de estruturas de pequeno porte, como semáforos e
postes, afetando significativamente o sistema de distribuição de energia da cidade.
Os ventos também causaram danos a estruturas maiores, como a destruição do
telhado de um posto de gasolina.
Em 5 de junho de 2016 uma microexplosão atingiu a cidade de Campinas
gerando danos muito similares aos observados em Porto Alegre (G1, 2016).

1
Diversas estruturas tiveram seus telhados arrancados e o sistema de distribuição de
energia foi danificado.
Com base nesses fatores fica estabelecida a relevância da compreensão dos
mecanismos e condições por trás desse fenômeno.

1.2 OBJETIVOS

1.2.1 Objetivo Geral:

O objetivo desse trabalho é apresentar uma introdução ao estudo do

fenômeno de microexplosões, abordando os seus processos de formação, as
características que o definem, as suas principais classificações e os métodos para
simulação numérica da velocidade horizontal do vento durante a ocorrência de uma
microexplosão.

1.2.2 Objetivos Específicos:

 Apresentar uma revisão bibliográfica abordando as principais fontes de

conhecimento teórico sobre o assunto;
 Apresentar os principais modelos para simulação numérica do fenômeno;
 Apresentar um algoritmo para a simulação do histórico temporal de velocidade
horizontal do vento ao longo de uma microexplosão para diferentes alturas de
um determinado ponto de observação.

1.3 ORGANIZAÇÃO DO TRABALHO

No capítulo 2 serão apresentados os mecanismos de formação de

microexplosões, as principais diferenças que microexplosões podem apresentar, e
os modelos mais relevantes para a simulação numérica do histórico de vento
horizontal gerado por uma microexplosão.
No capítulo 3, a base teórica apresentada no capitulo 2 será desenvolvida e
direcionada para a aplicação em um algoritmo capaz de modelar o histórico de vento
horizontal causado por um downburst.
2
 No capítulo 4, os resultados gerados pelo algoritmo desenvolvido são
apresentados e comparados com os resultados esperados. A partir da discussão
dos resultados, possíveis aplicações do algoritmo para estudos relacionados a
engenharia civil serão apresentadas.
No capítulo 5 será apresentado um resumo da discussão apresentada nos
capítulos anteriores, a partir do qual serão desenvolvidas conclusões quanto á
aplicabilidade e utilidade do algoritmo desenvolvido.

3
2. REVISÃO DE LITERATURA

Com a queda do voo Easter 66, em 24 de junho de 1975, causado por uma
situação de cisalhamento de vento intensa gerada por um fenômeno meteorológico
de microescala, resultou em um pico de interesse no estudo desses fenômenos.
Fujita (1978) propõe que o acidente foi causado por um downburst
(microexplosão), fenômeno caracterizado por uma forte corrente descendente que
atinge o solo em alta velocidade. Embora outros autores, como Byers e Braham
(1949) apud Wilson e Wakimoto (2001) a já haviam tratado de fenômenos similares,
o trabalho de Fujita (1978) inspirou o desenvolvimento de diversos programas que
consolidaram o conceito de downbursts no meio científico, encorajando o estudo do
fenômeno.
Segundo a Definição de Fujita e Wakimoto (1981), microexplosões (ou
downbursts) são fortes correntes descendentes formadas pela densificação do ar
em altitude devido à infiltração de ar seco em nuvens profundamente
desenvolvidas. A corrente de vento atinge o solo e se espalha radialmente, gerando
rajadas de vento que podem apresentar intensidade suficiente para derrubar longas
extensões de florestas (GARSTANG et al, 1998) e causar acidentes aéreos
(WILSON E WAKIMOTO, 2001).
Um downburst ocorre quanto uma nuvem formada e sustentada por
correntes ascendentes é infiltrada por ar seco. A introdução do ar seco na nuvem
gera uma redução na pressão de equilíbrio entre o vapor de água e as gotículas de
água que formam a nuvem. Essa alteração promove o fenômeno de resfriamento
evaporativo, onde a água em estado sólido e liquido passa para a forma de vapor
ao absorver calor do ambiente.
Esse fenômeno acaba por resfriar o ar que forma a nuvem tornando-a mais
densa até que as correntes ascendentes que sustentam a nuvem sejam superadas
pelas correntes descendentes de ar frio. Quando isso acontece, a massa de ar
descende rapidamente, caracterizando o downburst.

4
 Figura 1 – Processo de formação de um downburst. Fonte: LIMA (2019), adaptado de
GARSTANG et al. (1998)

Segundo Garstang et al. (1998), a intensidade do fenômeno pode ser afetada

pela intensidade das correntes ascendentes, da umidade das correntes envolvidas
e da formação de processos turbulentos devido ao contato da rajada vertical e o
solo.
Lima (2014) apresenta uma profunda revisão bibliográfica sobre os estudos
das características das microexplosões e das diversas maneiras que o fenômeno foi
classificado na comunidade científica. A classificação mais referenciada na
literatura é a proposta por Fujita (1981), classificando o fenômeno como microburst
ou macroburst de acordo com a extensão do vórtice anular decorrente do impacto
entre a corrente descendente e o solo. Segundo Lima (2014), essa classificação é
representativa da escala de danos materiais causada pelo escoamento na
superfície. Segundo Fujita (1981), o fenômeno pode ser classificado como:
microburst, quando caracterizado por vértices anulares com diâmetro inferior a 4 km
e picos de vento com duração estimada de 2 a 5 minutos; ou macroburst, quando
caracterizado por vértices anulares superiores a 4 km e picos de velocidade com
duração estimada de 5 a 20 minutos.
Fujita (1981) também apresenta uma classificação referente a
estacionariedade do fenômeno. Se o vento de fundo da tempestade não estiver
influenciando significativamente no vento gerado pela corrente descendente, o
downburst pode ser considerado como estacionário.
5
 Fujita e Wakimoto (1981) perceberam que microexplosões podem acontecer
tanto como uma ocorrência individual, quanto em sequência sucessiva durante uma
tempestade. Eles determinaram cinco escalas de danos gerados a partir de
downbursts. Uma “Família” de microexplosões é um conjunto de “clusters” de
microexplosões, sendo esses definidos como um espaço com continua ocorrência
de downbursts durante a passagem de um sistema meteorológico, geralmente em
formato de linhas. Os downbursts, por sua vez, podem ser divididos em
macrobursts e microbursts, compostos por um conjunto de pequenas faixas
horizontais de velocidade máximas chamadas de “burst swath”.

Figura 2 – Ilustração dos padrões de escala de danos gerados por microexplosões. Fonte:
Lima (2019), adaptado de Fujita e Wakimoto (1998).

Segundo Caracena et al. (1989), downbursts podem ocorrer em ambientes

com condições de umidade variados, apresentando mecanismos de formação

6
diferentes de acordo com as condições existentes.
O mecanismo de formação descrito anteriormente é característico de
ambientes úmidos, por isso os downbursts ocorridos nessas condições são
classificados como downbursts úmidos, entretanto, o fenômeno também pode
acontecer em ambientes secos (CARACENA et al., 1989).
Em ambientes extremamente secos, onde existem barreiras para a
convecção de umidade, pode se configurar uma situação em que existe uma
camada de ar úmido sobre a camada seca predominante. Nessas condições, ao
ocorrer precipitação, a água cairá sobre a camada seca de ar, ocasionando o
fenômeno de resfriamento evaporativo e o adensamento de parcelas de ar que
aceleram verticalmente e se espelham de forma anular e geralmente simétrica ao
atingirem a superfície. Esse fenômeno é classificado por Caracena et al (1989)
como downburst seco.

Figura 3 – Processo de formação de um downburst seco (a) e de um downburst úmido (b).

Fonte: Lima (2019), adaptado de Caracena et al. (1989)

Existem ainda situações em que há uma camada seca, coberta por uma
camada saturada e uma subsequente camada seca. Os downbursts que provêm
dessa configuração são denominados downbursts de ambientes intermediários
(CARACENA et al, 1989).
Wilson e Wakimoto (2001) sugeriram que o escoamento descendente de
uma microexplosão não estacionária pode adquirir rotação como um mecanismo de
conservação do momento angular através da redução do entranhamento da
corrente descendente com o ar ambiente.
7
 No tocante à modelagem numérica, Zhu e Etkin (1983) apud Lima (2014),
motivados por desastres aéreos registrados na decolagem e aterrisagem de
aeronaves durante a ocorrência de tempestades elétricas, desenvolveram um
modelo tridimensional, denominado como modelo de dupla folha, para descrever o
campo de velocidade de um downburst estacionário. Uma simplificação desse
modelo foi proposta por Riera e Rocha (1998).
Oseguera e Bowles (1988) partiram das equações completas de Euler e das
equações de continuidade de massa e, admitindo algumas hipóteses
simplificadoras, desenvolveram um modelo para determinação do perfil de
velocidade do vento gerado por um downburst. Vicroy (1992) adotou uma nova
função de forma para o modelo de Oseguera e Bowles (1988), tornando o modelo
mais preciso. Esse modelo ficou conhecido como modelo OBV.
Wood e Kwok (1998), através de estudos em túneis de vento, desenvolveram
uma expressão empírica para o perfil vertical da velocidade radial do vento. Essa
expressão está descrita na equação (1):
z 16 0.7∗z
() (
V r ( z )=1,55∗
δ
∗ 1−erf
δ ( ))
V r , máx (1)

Onde:
 z é a altitude acima do solo (m);
 V r ( z ) é a velocidade radial na altura z;
 V r , máx é a velocidade radial máxima do downburst;
V r , máx
 δ é a altura onde V r ( z )= ;
2
 erf é a função erro.

8
 1

0.9

0.8

0.7

0.6
Altura normalizada

0.5

0.4

0.3

0.2

0.1

0
0.5 0.6 0.7 0.8 0.9 1 1.1
Velocidade do vento normalizada

Figura 4 – Perfil Vertical pelo modelo de Wood e Kwok (1998) normalizado.

Holmes e Oliver (2000) desenvolvem um modelo empírico com o objetivo de

reproduzir registros de anemômetros produzidos por downbursts. O modelo
desenvolvido foi criado para descrever a velocidade do vento gerado por um
downburst em movimento.
Segundo o modelo, a velocidade do vento em determinado ponto de
observação se dá pela soma vetorial de um vento ambiente V t e um vento radial
gerado pelo jato descendente V r .
O modelo propõe duas equações para a determinação da velocidade radial.
Para as regiões dentro da região de estagnação do downburst, se propõe que a
velocidade do vento apresenta crescimento linear com o acréscimo da distância
radial ao centro da tormenta até atingir uma velocidade máxima V r , máx, conforme
descrito pela equação (2). Para regiões fora do local de estagnação, se propõe a
aproximação da velocidade do vento pela equação (3).
V r , máx∗x
V r ( x )= , x <r máx (2)
x máx
2

V r ( x )=V r ,máx∗e
− ( x−xR ) ,
máx
x >r máx (3)

onde:
 V r é a velocidade radial em uma altura z determinada;

9
 V r , máx é a velocidade radial máxima na altura z;
 x é a distância radial a partir do centro da tormenta;
 x máxé a distância do centro da tormenta até a fronteira da região de estagnação;
 R é a uma escala de comprimento radial.

Um exemplo da curva descrita por essas equações é apresentado na figura

abaixo:

Figura 5 – Modelo de perfil radial de velocidade do vento segundo modelo de Homes e Oliver
(2000). Fonte: Lima (2019)

O modelo também pode ser ajustado para considerar o decaimento

exponencial da velocidade em função do tempo, considerando um tempo de
duração T . Nesse caso, podem ser aplicada as equações (4) e (5):
(−tT )
V r , máx∗e ∗x , x <r máx (4)
V r ( x ,t )=
x máx
2
x−x máx

V r ( x ,t )=V r ,máx
( −t ) −(
∗e T ∗e R ), x >r máx (5)

Onde:
 t é o tempo medido a partir de quando o downburst está no pico de intensidade;
 T é a duração característica da tormenta.

A velocidade resultante V para uma determinada altura é a soma vetorial da

10
velocidade radial e da velocidade de translação V t . A situação pode ser ilustrada
pela imagem a seguir.

Figura 6 – Exemplo genérico da soma vetorial do vento ambiente e do vento radial. Adaptado
de Holmes e Oliver (2000).

Com as variáveis d e e definidas como na Figura 2, Holmes e Oliver (2000)

estabelecem as seguintes relações:
x 2=d 2 +e 2, (6)
θ=arctan ( e /d ), (7)
V 2=V r 2+ V t2 +2∗V r∗V t∗cos ( θ ), (8)

Onde:
 x é a distância radial do centro da tormenta ao ponto de observação, aplicado
nas equações (2) a (5);
 d é a projeção de x em relação ao caminho da tempestade, pode-se assumir
que a tempestade se locomove com a velocidade de translação V t ;
 e é a projeção de x em relação ao eixo perpendicular ao caminho tempestade,
chamado também de offset;
 θ é o ângulo entre V r e V t ;
 V é a velocidade do vento resultante no ponto x .

A partir dessas equações, Holmes e Oliver (2000) buscam reproduzir os

11
registros coletados na base aérea de Andrews, EUA. Uma simulação satisfatória foi
alcançada a partir dos seguintes dados:
m
 V r , máx =47 ;
s
m
 V t =12 ;
s
 x máx =1500 m;
 R=700 m;
 T =450 m ;
 e=150 m ;

Os resultados obtidos estão apresentando em comparação com os registros

da base aérea de Andrews na figura abaixo.

Figura 7 – Comparação de simulação. (a) Registro da velocidade do vento da BFFA. adaptado de

Fujita (1985); (b) Simulação pelo método de Holmes e Oliver (2000).

Chen e Letchford (2003) desenvolveram um modelo híbrido determinístico-

estocástico para downbursts, e aplicam esse modelo desenvolvido para calcular a
resposta dinâmica de uma estrutura. Esse modelo é refinado por Chen e Letchford
(2007) através da aplicação de estatística não paramétrica, permitindo a realização
de simulações baseadas em dados registrados de downbursts. Em seu artigo, Chen
e Letchford (2007) aplicam seu modelo para a simulação de dois downbursts,
chamados RFD e derecho.
O modelo se baseia na separação do sinal de vento em duas parcelas,
conforme a equação (9).
~
V ( z , t )=V́ ( z , t )+ V ( z ,t ) (9)

12
Onde:
 V ( z , t ) é a velocidade do vento a uma altura z num instante de tempo t ;
 V́ ( z , t ) é a velocidade média variando lentamente ao longo do tempo, é a parcela
considerada determinística no modelo;
~( )
 V z , t é a parcela da velocidade flutuante induzida pela turbulência.

A velocidade média é caracterizada através da soma de uma série de perfis

verticais (ou funções de formas modais) ϕ́ i ( z ) e suas correspondentes amplitudes no
tempo V́ i ( t ) :
V́ ( z , t )=∑ ϕ́ i ( z )∗V́ i ( t ) (10)

Chen e Letchford (2005) mostram que o primeiro modo é responsável por

mais de 98% da energia total da velocidade do vento. Por esse motivo é adotada a
seguinte simplificação:
V́ ( z , t )=ϕ́1 ( z )∗V́ 1 ( t ) (11)

Onde:
 ϕ́ 1 ( z ) é o perfil vertical do downburst, adotada a partir do método de Wood e
Kwok (1988);
 V́ 1 ( t ) é a amplitude média do vento normalizada a longo do tempo, obtido
através do modelo de Holmes e Oliver (2000);

A parcela variável é representada segundo a equação abaixo:

~( ) ~( ) ( )
V z , t =σ z , t ∗v z ,t (12)

Onde:
~
σ ( z , t ) é o desvio padrão variável;
v ( z ,t ) é a velocidade de vento flutuante normalizada em relação ao
desvio padrão.

Define-se a intensidade de turbulência como:

~
σ (z , t)
I v ( z , t )= (13)
V́ ( z , t )

13
 Com as equações (9), (11) e (13), temos:
V ( z , t )=ϕ́1 ( z )∗V́ 1 ( t )∗( 1+ I v ( z )∗v ( z , t ) ) (14)

Chen e Letchford (2007) verificaram que o modelo empírico para a

intensidade de turbulência de vento proposto na ASCE7-98 também é aplicável
para downbursts. Portanto, adota-se:
1
10
I v ( z )=I ¿v ( z )=I v10∗ ( )
z
6
(15)

Onde:
 I v 10 é a intensidade da turbulência a 10 metros de altura do solo;

Para a simulação da velocidade flutuante de vento, Chen e Letchford (2007)

sugerem a adoção da seguinte expressão para determinação da Densidade
Espectral de Potência (PSD), Su ( ω , t ), para as flutuações normalizadas v ( z ,t ).
2 −1
[ 1−ϕ2 ( z ) ] +ϕ1 ( z )2
{ }
2
σ (z )
Su ( ω , z ) = × +2 ϕ1 ( z ) [ 1−ϕ2 ( z ) ] cos ω (16)
2π
2
+4 ϕ2 ( z ) cos ω

Onde:
 σ ( z )=−0,03 ln ( z ) +0,787 ,
 ϕ 1 ( z )=−0,066 ln ( z )−0,7 ,

 ϕ 2 ( z )=−0,059 ln ( z )−0,074

Chen e Letchford (2007) também sugerem a seguinte expressão para a raiz

quadrada da função de coerência.
ρ ( Δ z , ω )= ρ0 ( Δ z )∗e−K ( Δ z )ω Δ z (17)

Onde:
 ρ0 ( Δ z )=e−α Δ z ;
 K ( Δ z )=−k 1 × ln ( z )+ k 0 ;
 Δ z é a diferença entre as alturas em que a função de coerência será aplicada.
14
 Os parâmetros σ , ϕ 1, ϕ 2,α, k 0 e k 1 são determinados pelo método dos mínimos
quadrados a partir dos dados registrados de um downburst.
A partir da PSD e da função de coerência, o método de representação
espectral (SRM) é aplicado para simular as flutuações normalizadas da velocidade
do vento v ( z ,t ).
Tendo em vista o esforço computacional necessário para a execução do
método de representação espectral, Chen et al (2014) procuraram desenvolver um
algoritmo para a execução do método baseado em transformadas rápidas inversas
de Fourier. O método apresentado é computacionalmente eficiente quando
comparado a outras aplicações do SRM.
Considerando um processo estocástico com n componentes e valor médio 0

[ v j ( t ) ] ( j=1,2 ,… , n ) , a matriz de densidade espectral de potência se dá no seguinte

formato:
S 11 ( ω ) S 12 ( ω ) ⋯ S 1 n ( ω)

[
S ( ω ) = S 21 ( ω ) S 22 ( ω )
⋮ ⋮
Sn 1 ( ω ) S n2 ( ω )
⋯ S 2 n ( ω)
⋱ ⋮
⋯ S nn ( ω )
] (18)

Onde S jk ( ω ) =γ jk ( ω ) √ S jj ( ω )∗Skk ( ω ). Sendo ω a frequência angular; S jj ( ω ) e

Skk ( ω ) são a densidade espectral específica dos componentes v j (t ) e v k ( t )

respectivamente, e γ jk é a função de coerência referente aos componentes v j (t ) e

v k ( t ).
Para a simulação proposta, adotamos as seguintes relações:
v j (t )=v ( z j ,t ); S jj ( ω ) =S u ( ω , z j ); γ jk ( ω )= ρ (|z j−z k|, ω )

Podemos também definir uma matriz de coerência no seguinte formato:

γ 11 ( ω ) γ 12 ( ω ) ⋯ γ1 n ( ω)

[
γ ( ω )= γ 21 ( ω ) γ 22 ( ω )
⋮ ⋮
γ n 1 ( ω ) γ n 2 ( ω)
⋯ γ2 n ( ω)
⋱ ⋮
⋯ γ nn ( ω )
] (19)

De forma que S ( ω ) =D ( ω ) γ ( ω ) DT ( ω ) com D ( ω ) =diag [ √ S11 ( ω ) ,… , √ S nn ( ω ) ].

15
 Uma vez que S ( ω ) é uma matriz auto adjunta, positiva definida, γ ( ω ) também
apresenta essas propriedades e pode ser fatorada pelo método de Cholesky, na
seguinte forma:
S ( ω ) =D ( ω ) L ( ω ) LT ( ω ) D T ( ω )=H ( ω ) H T ( ω ) com:

β11 ( ω ) 0 ⋯ 0

[
L ( ω )= β 21 ( ω ) β 22 ( ω )
⋮ ⋮
β n1 ( ω ) β n 2 ( ω )
⋯
⋱
⋯
0
⋮
β nn ( ω )
] (18)

Os elementos da diagonal da matriz L ( ω ) são funções reais não negativas,

enquanto os demais elementos geralmente são funções complexas. As seguintes
relações são válidas:
β jj ( ω )=β jj (−ω ) ; (19)
β jm ( ω )=|β ¿ jm (−ω )|e i θ ( ω)
jm
, j=1 , … , n e m≤ j; (20)

ℑ [ β jm ( ω ) ]
Com: θ jm ( ω )=tan
{ ℜ [ β jm ( ω ) ] } (21)

Sinais em domínio de frequência podem ser transformados em sinais em

domínio temporal através da transformada de Fourier. Assumindo que o número de
elementos de uma série é N T e que o intervalo entre pontos discretos de tempo é
∆ t, a amostra de frequência f s e a resolução de frequência ∆f são expressas da
seguinte forma:
1
f s= (21)
∆t
fs 1
∆ f= = (22)
N T N T ∆t

Se a frequência angular for substituída por uma frequência temporal, temos:

2π
∆ ω=2 π ∆ f = (23)
NT∆t

Em uma análise espectral, cada um dos n processos estocásticos podem ser

expressos por uma integral de Fourier-Stieltjes sobre um incremento de Fourier

16
aleatório d Z j ( ω ).
∞
v j (t )= ∫ e iωt d Z j ( ω ) (24)
−∞

O incremento aleatório deve satisfazer as seguintes condições de

ortogonalidade:
E [ d Z j ( ω ) ]=0 (25)

E [ d Z ¿j ( ω ) d Z k ( ω' ) ]=0 para ω ≠ ω ' (26)

E [ d Z ¿j ( ω ) d Z k ( ω ) ]=S jk ( ω ) dω (27)

Sendo E[-] a esperança matemática.

Podemos reescrever a integral de Fourier da seguinte forma:

∞ ∞ 0 ∞ ∞
iωt iωt iωt iωt
v j (t )= ∫ e d Z j ( ω )=∫ e d Z j ( ω ) + ∫ e d Z j ( ω )=∫ e d Z j ( ω ) +∫ e−iωt d Z j (−ω )
−∞ 0 −∞ 0 0

(28)

Dados as condições de ortogonalidade estabelecidas, temos:

d Z j ( ω )=d Z ¿j ( ω ) (29)

¿
Essa condição, em conjunto com a relação e−iωt =( eiωt ) , temos:
∞ ∞ ∞ ∞ ∞
iωt
x j ( t ) =∫ e d Z j ( ω )+∫ e
0 0
−iωt iωt iωt
d Z j (−ω )=∫ e d Z j ( ω ) +∫ [ e d Z j ( ω ) ] =2∗ℜ
0 0
¿

[∫
0
iωt
e d Z j (ω)
]
(30)

A discretização do incremento de Fourier pode ser construída de diversas

formas, para essa simulação adotaremos a seguinte aproximação:
n n
d Z j ( ω )|ω=ω ≈ ∆ Z j ( ωl ) = ∑ H jm ( ω l )∗ei ϕ ∗√ Δω l= ∑ √ S jj ( ω l )| β jm|∗e i ϕ ∗√ Δω
l
ml ml

m=1 m=1

(31)

Onde ω l=l Δωl .

17
 Portanto, podemos determinar os elementos do processo estocástico de
vento através da seguinte expressão:
Nt n
x j ( t ) =2 √ Δ ω∗ℜ [∑ ∑ √
l m=1
S jj ( ωl )|β jm|∗e
i (ω l t +θ jm( ωl )+ ϕml )
] (32)

Onde ϕ ml são números aleatórios independentes uniformemente distribuídos

entre 0 e 2 π .
Considerando ω up como a frequência de corte superior, ou seja, S jj ( ω ) ≈ 0 para

ωup
|ω|≥ ωup, e f up= é a frequência de corte superior no domínio temporal, existe um
2π
k inteiro positivo tal que k ∆ ω ≤ω up. Então, temos:
ωup 2 π f up f up
k≤ = =N T (33)
∆ω ∆ω fs

Como pelo teorema de amostragem, f s ≥2 f up, temos que k ≤ N T /2. O que

significa que a frequência discreta supera a frequência ω up antes da metade das
amostras. Portanto, podemos calcular o processo estocástico v j (t ) através da
seguinte expressão:
2π NT
v j (t )=√ ∆t
NT
∗1 N
∑
l
t

X j ( ω l ) ei ω t l
(34)

Onde:
j

{ ∑ √ S jj ( ωl )|β jm|∗e i( θ (ωl ) +ϕml )

jm
1 ≤ l≤ N T / 2
X j ( ωl ) = m=1
j

∑ √ S jj ( ω l )|β jm|∗e−i ( θ jm ( ωl )+ ϕml )

N T /2≤ l≤ N T
m=1

(35)

É importante resaltar que, devido as propriedades da transformada de

Fourier, N T deve ser uma potência de 2, e que o incremento de tempo deve ser tal

2π
que ∆ t ≤ .
2 ωup
18
19
3. METODOLOGIA

O ponto de partida para essa pesquisa foi o artigo de Chen e Letchford

(2007), apontado como um dos mais relevantes artigos em simulações numéricas
de microexplosões no Web of Science, e da produção realizada e orientada pelo
Professor Doutor Acir Mércio Loredo-Souza, da Universidade Federal do Rio
Grande do Sul.
Com base nos resultados obtidos, foi desenvolvido um algoritmo que aplica o
modelo de Chen e Letchford (2007) para simular o histórico de vento de um
downburst em diversas alturas a partir de um ponto de observação. Para fins de
comparação, buscamos utilizar os mesmos parâmetros utilizados por Chen e
Letchford (2007) na simulação do downburst RFD existente em seu trabalho.
Para isso, foram empregados: o modelo de Holmes e Oliver (2000) para
modelar a função da velocidade média do vento ao longo do tempo, o modelo de
Wood e Kwok (1998) para modelar o perfil vertical da velocidade média do vento, e o
método de CHEN et al (2014) para a aplicação do Método de Representação
Espectral.
Uma vez que o método de Chen et al (2014) é baseado na aplicação de
transformadas rápidas inversas de Fourier (IFFT), foi necessário discretizar o tempo
de forma a atender as condições necessárias para a aplicação da IFFT, ou seja, o
número total de pontos discretos de tempo teve de ser definido como uma potência
de dois e o incremento de tempo teve de ser definido de forma a atender a condição
f s ≥2 f up.
Seguindo CHEN et al (2014), a frequência angular de corte adotada de

rad ω
ω up=4 . Isso implica que f up= up =0,6366 hz. Quanto à discretização do tempo,
s 2π
adotou-se N T =212=4096, sendo analisado um período de tempo de 1.200 segundos,

1200
com um incremento de tempo dt = =0,293 s.
4092
Com base no que foi adotado, temos:
1
 f s= =3,413 ≥2 f up;
dt

20
 2π rad
 dω=
s ;
=0,005
N T ∗dt

Seguindo esses dados, foi gerado um vetor t para o tempo discretizado e um

vetor ω l para a frequência discretizada.
Com o vetor t, aplica-se o modelo de Holmes e Oliver (2000) para modelar a
função da velocidade horizontal média do vento ao longo do período analisado.
Uma vez que Chen e Letchford (2007) não apresentam os dados utilizados para sua
modelagem, foram estimados valores para a obtenção de resultados similares ao
apresentado no estudo. Os dados adotados são apresentados a seguir:
m
 V r , máx =60 ;
s
m
 V t =15 ;
s
 x máx =3000 m;
 R=2200 m;
 T =450 m ;
 e=150 m ;

A partir desses dados, foi realizada uma simulação considerando que a

distância entre o centro da tormenta e o ponto de observação projetada na linha de
trajetória da tempestade é de 6.000 metros. A modelagem obtida foi então
normalizada para uso no modelo de Chen e Letchford (2007).

21
 Figura 8 – Velocidade horizontal média de um downburst normalizada ao longo do tempo. Fonte:
Chen e Letchford (2007).

Para a aplicação do modelo de Wood e Kwok (1988), utilizou-se os valores

apresentados por Chen e Letchford (2007) para o downburst RFD, e calculou-se o
valor da velocidade média máxima para alturas de 1 a 25 metros. Os valores

m
adotados foram V r , máx =39,5 para a velocidade radial máxima e δ =234,4 m para a
s
altura em que V r =V r , máx /2. Ao multiplicar as velocidades médias obtidas para cada
altura pela função de velocidade média ao longo do tempo normalizada obtida pelo
método de Holmes e Oliver (2000), obtêm-se a função de velocidade média U m para
cada altura.

Figura 9 – Perfil vertical da velocidade do vento. Fonte: Chen e Letchford (2007)

As alturas analisadas em metros foram armazenadas no vetor z.

A parcela variável do vento foi desenvolvida segundo o modelo de Chen e
Letchford (2007) utilizando os dados apresentados pelos autores para simulação da
microexplosão RFD.
Para o cálculo da intensidade de turbulência, adota-se o valor de I v 10=0.088
e realiza-se o cálculo de I v para cada altura da simulação.

22
 Figura 10 – Intensidade de turbulência para o RFD. Fonte: Chen e Letchford (2007)

A curva PSD Su ( ω , z ) e as raízes quadradas das funções de coerência

ρ ( Δ z , ω ) para o vento variável normalizado foram calculadas para cada altura da
simulação, segundo as Equações (16) e (17). Para a modelagem do RFD, foram
adotados os seguintes parâmetros:
 α =0,06
 k 0=0,25

 k 1=−0,05

Figura 11 – Curva PSD para estimadas e modeladas para RFD e derecho. Fonte: Chen e Letchford
(2007)

23
 Figura 12 – Raiz quadrada das funções de coerência estimadas e modeladas para RFD e derecho.
Fonte: Chen e Letchford (2007)

A curva Su ( ω , z ) foi discretizada e salva em uma matriz bidimensional S com

dimensões dos vetores z e ω l. Essa matriz é então passada para uma matriz
tridimensional D , com duas dimensões iguais ao do vetor z e uma dimensão igual ao

do vetor ω l, seguindo a definição D ( ω ) =diag [ √ S11 ( ω ) ,… , √ S nn ( ω ) ].

As funções de coerência ρ ( Δ z , ω )2 foram discretizadas e salvas em uma

matriz Co tridimensional, com duas dimensões iguais ao do vetor z e uma dimensão
igual ao do vetor ω l. Então, para cada discretização de ω l, a matriz Co é submetida a
decomposição de Cholesky para a obtenção da matriz L de mesmas dimensões.
A partir das matrizes D e L, as equações (34) e (35) são aplicadas para o
cálculo de v j (t ). Com v j (t ), I v e U m , aplica-se a equação (36) para calcular o histórico
temporal da velocidade horizontal variável do vento U v para cada altura:
U v ( z , t )=U m ( z ,t )∗I v ( z )∗v j ( z , t ) (36)

Somando então U v e U m , pode-se obter o histórico temporal do vento de um

downburst para cada altura.

24
Figura 13 – Simulação do histórico temporal de velocidade do vento para altura de 10 m. Fonte: Chen
e Letchford (2007)

Figura 14 – Simulação do histórico temporal de velocidade do vento para altura de 20 m. Fonte: Chen
e Letchford (2007)

25
 Ao final deste texto, em anexo, todo o algoritmo escrito na ferramenta Matlab
é apresentado para que o leitor interessado possa utilizar em uma eventual
simulação de um downburst.

26
4. RESULTADOS E DISCUSSÃO

Com o algoritmo desenvolvido, foi simulado o histórico de velocidade de

vento de para um downburst nas alturas de 5,0 m, 10,0 m, 15,0 m e 20,0 m.
Apresenta-se, a seguir, os principais resultados obtidos e sua comparação com os
resultados apresentados por Chen e Letchford (2007).
A aplicação do modelo de Holmes e Oliver (2000) gerou um resultado similar
ao apresentado por Chen e Letchford (2007), atestando a validade dos parâmetros
adotados.

1
Velocidade Horizontal do Vento normalizada

0.8

0.6

0.4

0.2

0
0 600 1200 1800 2400
Tempo (s)
Figura 15 – Simulação da velocidade horizontal média normalizada de um downburst.

27
Figura 16 – Comparação de simulação da velocidade horizontal média normalizada de um downburst.
(a) simulação gerada pelo algoritmo desenvolvido. (b) simulação apresentada por Chen e Letchford
(2007)

O perfil vertical do vento, simulado para alturas de 1,0 m  e 20,0 m, também

é compatível com o esperado, como pode-se ver na imagem a seguir.

Figura 17 – Comparação de simulação do perfil vertical da velocidade horizontal de um downburst.

(a) simulação gerada pelo algoritmo desenvolvido. (b) simulação apresentada por Chen e Letchford
(2007)

Com o perfil vertical e a velocidade horizontal média normalizada, foram

gerados os históricos de velocidade horizontal média para cada altura. Resultados
apresentados abaixo.

28
 35

30
Velocidade Média Horizontal do Vento, h=5m

25

20

15

10

0
0 200 400 600 800 1000 1200
Tempo (s)
Figura 18 – Simulação do histórico temporal de velocidade média do vento para altura de 5,0 m.

35

30
Velocidade Média Horizontal do Vento, h=10m

25

20

15

10

0
0 200 400 600 800 1000 1200
Tempo (s)
Figura 19 – Simulação do histórico temporal de velocidade média do vento para altura de 10,0 m.

29
 40

35
Velocidade Média Horizontal do Vento, h=15m

30

25

20

15

10

0
0 200 400 600 800 1000 1200
Tempo (s)
Figura 19 – Simulação do histórico temporal de velocidade média do vento para altura de 15,0 m.

40

35
Velocidade Média Horizontal do Vento, h=20m

30

25

20

15

10

0
0 200 400 600 800 1000 1200
Tempo (s)
Figura 19 – Simulação do histórico temporal de velocidade média do vento para altura de 20,0 m.

30
 No desenvolvimento da simulação do vento variável, a intensidade da
turbulência, a curva PSD e a função de correlação também mostraram coerência
com os apresentados por Chen e Letchford (2007).

Figura 20 – Comparação de simulação da intensidade de turbulência. (a) simulação gerada pelo

algoritmo desenvolvido. (b) simulação apresentada por Chen e Letchford (2007)

Figura 21 – Comparação de simulação da curva PSD para a altura de 2m. (a) simulação gerada pelo
algoritmo desenvolvido. (b) simulação apresentada por Chen e Letchford (2007)

31
 Figura 21 – Comparação de simulação da raiz quadrada da função de coerência para ∆ z=2m .
(a) simulação gerada pelo algoritmo desenvolvido. (b) simulação apresentada por Chen e Letchford
(2007)

A partir desses resultados, simulou-se o histórico da velocidade horizontal

variável do vento para cada altura.

6
Velocidade Variável Horizontal do Vento, h=5m

-2

-4

-6

-8

-10
0 200 400 600 800 1000 1200
Tempo (s)
Figura 22 – Simulação do histórico temporal de velocidade variável do vento para altura de 5,0 m.

32
 8

6
Velocidade Variável Horizontal do Vento, h=10m

-2

-4

-6

-8
0 200 400 600 800 1000 1200
Tempo (s)
Figura 23 – Simulação do histórico temporal de velocidade variável do vento para altura de 10,0 m.

6
Velocidade Variável Horizontal do Vento, h=15m

-2

-4

-6

-8

-10
0 200 400 600 800 1000 1200
Tempo (s)
Figura 24 – Simulação do histórico temporal de velocidade variável do vento para altura de 15,0 m.

33
 8

6
Velocidade Variável Horizontal do Vento, h=20m

-2

-4

-6

-8

-10
0 200 400 600 800 1000 1200
Tempo (s)
Figura 25 – Simulação do histórico temporal de velocidade variável do vento para altura de 20,0 m.

Somando os históricos de velocidade média e variável, foram obtidas as

simulações para o histórico de velocidade do vento causado pela microexplosão em
cada altura.

34
 40

35

30
Velocidade do vento (m/s), h=5m

25

20

15

10

0
0 200 400 600 800 1000 1200
Tempo (s)
Figura 26 – Simulação da velocidade do vento para um downburst na altura de 5,0 m.

45

40

35
Velocidade do vento (m/s), h=10m

30

25

20

15

10

0
0 200 400 600 800 1000 1200
Tempo (s)
Figura 27 – Simulação da velocidade do vento para um downburst na altura de 10,0  m.

35
 45

40

35
Velocidade do vento (m/s), h=15m

30

25

20

15

10

0
0 200 400 600 800 1000 1200
Tempo (s)
Figura 28 – Simulação da velocidade do vento para um downburst na altura de 15,0 m.

45

40

35
Velocidade do vento (m/s), h=20m

30

25

20

15

10

0
0 200 400 600 800 1000 1200
Tempo (s)
Figura 29 – Simulação da velocidade do vento para um downburst na altura de 20,0  m.

36
 Para validar os resultados obtidos, as simulações geradas pelo algoritmo
apresentado foram comparadas com os resultados obtidos por Chen e Letchford
(2007) na apresentação do modelo. A comparação, apresentada abaixo, mostra que
os resultados obtidos pelo algoritmo são coerentes com os obtidos pelos autores do
método.

Figura 30 – Comparação de simulação. (a) e (b) Simulação realizada pelo algoritmo apresentado
para as alturas de 10,0 m e 20,0 m, respectivamente; (c) e (d) Simulação apresentada por Chen e
Letchford (2007) para as alturas de 10,0 m e 20,0 m.

Uma vez que o modelo de Homes e Oliver (2000) é baseado principalmente

em características físicas da tormenta, é plausível assumir que o algoritmo proposto
permita a simulação de microexplosões de diversos tamanhos e intensidades, e

37
pode ser utilizado como uma maneira conveniente de fazer estudos superficiais
sobre o efeito de microexplosões.
Uma vez obtido o histórico da velocidade do vento, é possível determinar a
pressão que esse vento irá gerar em determinada estrutura. Isso pode ser alcançado
através, por exemplo, da aplicação do método descrito por Solari (1983) para
determinar a carga gerada pelo vento. Como o algoritmo proposto gera históricos de
velocidade de vento correlacionados para diferentes alturas, é possível aplicar esse
conceito para edificações altas considerando a variação de pressão ao longo da
estrutura.

Figura 31 – Históricos de velocidade horizontal do vento em diferentes alturas aplicados a um edifício.

Caso seja interessante aplicar a simulação para estruturas de grande

extensão horizontal, ou para uma grande área com diversos pontos de interesse,
Chen et al (2014) apresenta uma função de correlação aplicável a pontos
horizontalmente separados.
O modelo de Holmes e Oliver (2000) poderia, teoricamente, ser aplicado
para diferentes pontos durante a mesma simulação, gerando históricos de
velocidade média compatíveis com a posição de cada ponto. Entretanto, a
aplicabilidade do método dessa forma não foi verificada.

38
Figura 32 – Sugestão de aplicação do modelo de Holmes e Oliver (2000) para diversos pontos.

39
5. CONCLUSÕES

Este trabalho teve como principal objetivo apresentar uma introdução ao

estudo de microexplosões e à simulação numérica do fenômeno. Para isso foram
abordados os referenciais teóricos mais relevantes sobre o assunto, descrevendo a
apresentação dos mecanismos de formação e as principais classificações
desenvolvidas para o fenômeno na literatura, e os principais modelos desenvolvidos
para simular o histórico de velocidade horizontal do vento de um downbursts.
Com base no referencial teórico levantado, pode-se afirmar que os
downbursts são fenômenos de vento extremos relacionados com o rápido
resfriamento de massas de ar na atmosfera, podendo ocorrer em ambientes
húmidos ou secos. Esses fenômenos podem apresentar diferentes intensidades, e
até mesmo ocorrer em rápida sucessão durante a passagem de um sistema
meteorológico.
No tocante a simulação numérica, foram apresentados diversos modelos que
buscam quantificar a intensidade dos ventos gerados por um fenômeno de
microexplosão. O algoritmo apresentado nesse trabalho se trata da compatibilização
e aplicação dos modelos de Wood e Kwok (1998), Homes e Oliver (2000) e Chen e
Letchford (2007), de forma que o mesmo pode ser melhorado conforme a
comunidade cientifica desenvolve modelos mais precisos.
No seu estado atual, o algoritmo desenvolvido é capaz de gerar uma
simulação do histórico da velocidade horizontal do vento causado por um downburst
especifico (RFD) em diversas alturas. Os resultados gerados pelo algoritmo são
coerentes com os resultados observados no artigo de Chen e Letchford (2007),
mostrando que os históricos obtidos são aplicáveis para estudos subsequentes,
como a simulação da resposta estrutural de um edifício quando submetido ao
histórico apresentado.
Portanto, esse trabalho é uma introdução ao estudo de microexplosões,
apresentando ao leitor uma base teórica geral com os principais pesquisadores do
assunto, bem como um algoritmo funcional executável para a simulação do
fenômeno. Para trabalhos futuros, sugere-se o aprimoramento do algoritmo
apresentado através da aplicação de modelos mais robustos e da aplicação do
resultado obtido para simulação de comportamento estrutural.

40
REFERÊNCIAS

BELOW, R.; MCCLEAN, D.; WALLEMACQ, P. Economic losses, poverty & disasters
(1998-2017). Centre for Research on the Epidemiology of Disasters (CREED),
2018. Disponível em
https://www.cred.be/sites/default/files/CRED_Economic_Losses_10oct.pdf. Acesso
em 29 de novembro de 2021

BURD, F. S. Downburst ou tornado: Construções do evento atmosférico de 29 de

janeiro de 2016 em porto Alegre/RS. Universidade Federal do Rio Grande do Sul,
Porto Alegre: 2018. Tese (Trabalho de conclusão de curso) – Programa graduação
em Ciências Sociais, universidade Federal do Rio Grande do Sul.

CARACENA, F; HOLLE, R. L.; DOSWLL, C. A. Microbursts: a handbook for visual

identification. LABORATORY, 1989.

CHEN, L.; LETCHFORD C.W. A deterministic–stochastic hybrid model of

downbursts and its impact on a cantilevered structure. Engineering Structures, v.
26, n.5, p 619-629; 2004.

CHEN, L.; LETCHFORD, C. W. Numerical simulation of extreme winds from

thunderstorm downbursts. Journal of Wind Engineering and Industrial
Aerodynamics, v. 95, n. 9, p. 977-990, 2007.

CHEN, N.; LI, Y.; XIANG, H. A new simulation algorithm of multivariate short-term
stochastic wind velocity field based on inverse fast Fourier transform. Engineering
Structures, v. 80, n.2, p 251-259; 2014.

EILTS, G. B.; DOVIAK, R. J.; Oklahoma downbursts and their asymmetry. Journal
of climate and applied meteorology, v. 26, n. 1, p. 69-78, 1987.

FUJITA, T. T.; Manual of downburst identification for project NIMROD, Satellite

and Mesometeorology research paper No. 156, 104 pp.[available from Department
of deophysical Scieces, University of Chicago, Chicago, IL 60637], 1978.

FUJITA, T. T.; The Downburst – Microburst and Macroburst. SMRP-RP-210,

Univ. of Chicago, 1985. (Available from NTIS as PB86 148 880)

FUJITA, T. T. Tornadoes and downbursts in the context of generalized planetary

scales. Journal of the Atmospheric Sciences, v. 38, n. 8, p. 1511-1534, 1981.

FUJITA, T. T.; WAKIMOTO, R. M. Five scales of airflow assiciated with a series of

downbursts on 16 July 1980. Monthly weather review, v. 109, n. 7, p. 1438-1456,
1981.

G1. Fenômeno de microexplosão atingiu Campinas, explica Cepagri. 2016.

Disponível em http://g1.globo.com/sp/campinas-regiao/noticia/2016/06/fenomeno-
de-microexplosao-atingiu-campinas-explica-cepagri.html. acessado em 29 de
41
novembro de 2021

GARSTANG, M.; HALVERSON, J.; SHUGART, H. H.; WHITE, S. Convective cloud

downcrafts as the cause of larfe blowdowns in the Amazon rainforest. Meteorology
and Atmospheric Physics, v. 67, n. 1-4, p. 199-212, 1998.

HJELMFELT, M. R. Structure and life cycle of microburst outflow observed in

Colorado. Journal of applied meteorology, v. 27, n. 8, p. 900-927, 1988.

HOLMES. J.D; OLIVER S.E.; An empirical model of a downburst. Engineering

Structures, v. 22, n.9, p 1167-1172; 2000.

LIMA, E.G. Análise da ocorrência de downbursts no Brasil e estudo da simulação do

fenômeno. Universidade Federal do Rio Grande do Sul, Porto Alegre: 2014. Tese
(Mestrado em Engenharia Civil) – Programa de Pós-graduação em Engenharia
Civil, universidade Federal do Rio Grande do Sul.

OSEGUERA, R.; BOWLES, R. A simple, analytic 3-dimensional downburst model

based on boundary layer stagnation flow. 1988.

PONTE JUNIOR, J. Modelagem e Simulação do campo de velocidades do vento em

tormentas elétricas. 2005.

RIERA, J. D.; ROCHA, M. M. Load definition for wind design and reliability
assessments: Extreme wind climate, in: Int. Conf. on Winf Effects on Buildings
and Structures, A. A. Balkema, Rotterdam, 1988.

SOLARI, G.; Analytical estimation of the alongwind response of structures. Journal

of Wind Engineering and Industrial Aerodynamics, v. 14, n. 1-3, p. 467-477,
1983.

VICROY, D. D. Assessment of microburst models for downdraft estimation. Journal

of Aircraft, 1992.

WILSON, J. W.; WAKIMOTO, Roger M. The discovery of the downburst: T.T.

Fujita’s contribution. Bulletin of the American meteorological Society, v. 82, n. 1,
p.49-62, 2001.

WOOD, G. S.; KWOK KCS. An empirically derived estimate for the mean
velocity profile of a thunderstorm downburst. 7th AWES Workshop. Auckland,
1998.

ZHU, S.; ETKIN, B., Fluid-dynamic model of a downburst. UTIAS Report No. 271.
University of Toronto, Institute of Aerospace Studies, April 1983. Journal of aircraft.

42
ANEXO

clc;
clear all;
close all;

%Calculos
%% Dados iniciais
%dados da analise

N=2^12; %número de pontos de tempo

tMax = 1200; %duração da simnulação (s)
dt=tMax/(N); %incremento de tempo (s)

t=0:dt:(N-1)*dt;%Tempo discretizado

wu=4;%Frequencia Superior (Rad/s)

dtm=(2*pi)/(2*wu);%Incremento de tempo máximo (s)
fu=wu/(2*pi); % Frequencia Superior (Hz)

fs=1/dt; %Frequencia de amostra (Hz)

if fs>=2*fu
fprintf("Incremento de tempo adequado.");
else
fprintf("Reduza o incremento de tempo.");
end
df=1/(N*dt); %Incremento de frequencia (Hz)
dw=2*pi/(N*dt); %Incremento de frequencia (Rad/s)
wl=0:dw:(N-1)*dw; % Frequencia discretizada

%% Holmes e Oliver - Modelo Empírico - Função de forma

Vmax=60; %Velocidade Máxima (m/s)
Vt=15; %Velocidade de translação do vento (Vento de fundo)
(m/s)
rmax=3000; % distância entre o centro do fenômeno e a
região de maior velocidade do vento (m)
R=2200; %distância até o Anel de alta pressão (m)
tmax=400; %instante de pico da tormente (s)

T=450; % Constante de tempo

e=150; %Distãncia entre o ponto de observação e a linha de

trajetória da tempestade (m)

for k=1:length(t)

43
 d(k)=8200-Vt*t(k); %distãncia entre o centro da
tormente e o ponto de observação (m)
%projetada na linha de trajetória
da tempestade
%A distância vai mudando de acordo
com o movimento
%da tormenta

x(k)=sqrt(e^2+d(k)^2); %distãncia entre o centro da

tormente e o ponto de observação
%composição de "d" e "e".
end

for k=1:length(t)
% quando o ponto de observação se encontra próximo ao
centro da
% tormenta, dentro do raio de velocidade máxima do
vento, a velocidade
% do vento cresce linearmente com o distânciamento do
centro da
% tormenta até o anel de velocidade máxima.
if x(k)<rmax
expr(k)=x(k)/rmax;
Vr(k)=Vmax*expr(k);
% quando o ponto de observação se encontra distânte do
centro da
% tormenta, fora do raio de velocidade máxima do
vento, a velocidade
% do vento segue a expressão abaixo.
else
expr(k)=exp(-((x(k)-rmax)/R)^2);
Vr(k)=Vmax*expr(k);
end
end

for k=1:length(t)
teta(k)=atan(e/d(k));
costeta(k)=cos(teta(k));
%A velocidade absoluta do vento depente da diferença
de direção e
%sentido entre o vento de fundo.
if d(k)>0
Vc(k)=sqrt(Vr(k)^2+Vt^2+2*Vr(k)*Vt*cos(teta(k)));
else
Vc(k)=sqrt(Vr(k)^2+Vt^2+2*-Vr(k)*Vt*cos(teta(k)));
end

44
end

U1=Vc/max(Vc);

%% Wood e Kwok (1988) Perfil vertical

%dados (verificar)

delta=234.4; % Altura onde a velocidade radial é metade da

velociade máxima (m)
z=[1:25]; %Altura do ponto de observação (m)
Vmax=39.5; %Velocidade máxima do vento (m/s) /"Arbitrário"

%Perfil vertical do primeiro modo de velocidade média do

vento
Phi1=(1.55*(z./delta).^(1/6).*(1-
erf(0.7.*z./delta))).*Vmax;

U1=Vc/max(Vc); %Normalização da simulação pelo modelo de

Homes e Oliver

%Aplicação do perfil vertical do vento ao modelo de Homes

e Oliver
for k=1:length(z)
for j=1:length(t)
Um(k,j)=Phi1(k)*U1(j);
end
end

%% Vento estocástico
Iu10=0.088; %intensidade de turbulência na altura de 10m
Iu=Iu10.*(10./z).^(1/6); %intensiade de turbulência na
altura "z"

% Distãncia entre nós (Alturas) (m)

for k=1:length(z)
if k==1
dz(k)=z(1);
else
dz(k)=z(k)-z(k-1);
end
end

%Determinação da PSD segundo CHEN e LETCHFORD (2014)

sigma=-0.034*log(z)+0.783;
phi1=-0.078*log(z)-0.736;
45
phi2=0.048*log(z)+0.156;

S=zeros(length(z),length(wl));
for k=1:length(wl)
S(:,k)=((sigma.^2)./(2*pi)).*(( (1-phi2).^2 + phi1.^2
+ 2.*phi1.*(1+phi2).*cos(wl(k)) +
4.*phi2.*(cos(wl(k)).^2))).^(-1);
end

%Determinação da Matriz de correlação

alfa=0.06;
k1=-0.05;
k0=0.25;

Co=zeros(length(z),length(z),length(wl));
rho0=zeros(length(z),length(z));
Kco=zeros(length(z),length(z));
for k=1:length(wl)
for j1=1:length(z)
for j2=1:length(z)
rho0(j1,j2)=exp(-alfa*abs(z(j1)-z(j2)));
Kco(j1,j2)=-k1*log(abs(z(j1)-z(j2)))+k0;
Co(j1,j2,k)=(rho0(j1,j2)*exp(-
(Kco(j1,j2))*wl(k)*abs(z(j1)-z(j2))))^2;
if(j1==j2)
Co(j1,j2,k)=1;
end
end
end
end

for k=1:length(wl)
C2(k)=(rho0(1,3)*exp(-(Kco(1,3))*wl(k)*abs(z(1)-
z(3))));

end

%Matriz de densidade espectral diagonal

D=zeros(length(z),length(z),length(wl));
%Matriz de coherencia triangular inferior
L=zeros(length(z),length(z),length(wl));

for j2=1:length(wl)
for j1=1:length(z)
D(j1,j1,j2)=sqrt(S(j1,j2));
end
end
46
for ww=1:length(wl)
L(:,:,ww)=chol(Co(:,:,ww),'lower');
end

%Matriz de correlação
Teta=zeros(length(z),length(z),length(wl));
for ww=1:length(wl)
for m=1:length(z)
for j=1:length(z)
if(m<=j)
if(real(L(j,m,ww))==0)
Teta(j,m,ww)=0;
else

Teta(j,m,ww)=atan(imag(L(j,m,ww))/real(L(j,m,ww)));
end
end
end
end
end

%Aplicação do algoritmo de Chen et al (2014)

Xjm=zeros(length(z),length(z),length(wl));

%Angulo aletório
phi=rand(length(z),length(z),length(wl/2))*2*pi;

for m=1:length(z)
for j=1:length(z)
for l=1:length(wl)
if l<=N/2

Xjm(j,m,l)=D(j,j,l)*abs(L(j,m,l))*exp(1i*(phi(j,m,l)
+Teta(j,m,l)));
else
Xjm(j,l)=D(j,j,l)*abs(L(j,m,l))*exp(-
1i*(phi(j,m,N-l+1)+Teta(j,m,N-l+1)));
end
end
end
end

Xj=zeros(length(z),N);
for l=1:N
47
 for j=1:length(z)
Xj(j,l)=sum(Xjm(j,:,l),'all');
end
end

vj=zeros(length(z),length(t));

Xj3=zeros(length(z),length(t));
for j=1:length(z)
for tt=1:length(t)
for l=1:N
if l<=N/2
Xj3(j,tt)=Xj3(j,tt)
+Xj(j,l)*exp(1i*wl(l)*t(tt));
else
Xj3(j,tt)=Xj3(j,tt)
+Xj(j,l)*exp(1i*wl(l)*t(tt));
end
end

vj(j,tt)=sqrt(2*pi*N/dt)/N*real(Xj3(j,tt));
end
end

Uv=zeros(length(z),length(t));

for j1=1:length(z)
Uv(j1,:)=(Iu(j1)*Um(j1,:)).*vj(j1,:);
end
Ut=Um+Uv;

%% Figuras
close all;

figure(1)
plot(t+590,U1)
xlabel('Tempo (s)')
ylabel('Velocidade Horizontal do Vento normalizada')
xlim([0 2400])
xticks([0:600:2400])
set(gca,'fontweight','bold','FontSize',12)

figure(2)
plot(Phi1,z)
xlabel('Velocidade do vento (m/s)')
ylabel('Altura (m)')
xlim([0 40])
48
ylim([0 16])
set(gca,'fontweight','bold','FontSize',12)

figure(3)
plot(t,Um(5,:))
xlabel('Tempo (s)')
ylabel('Velocidade Média Horizontal do Vento, h=5m')
set(gca,'fontweight','bold','FontSize',12)

figure(4)
plot(t,Um(10,:))
xlabel('Tempo (s)')
ylabel('Velocidade Média Horizontal do Vento, h=10m')
set(gca,'fontweight','bold','FontSize',12)

figure(5)
plot(t,Um(15,:))
xlabel('Tempo (s)')
ylabel('Velocidade Média Horizontal do Vento, h=15m')
set(gca,'fontweight','bold','FontSize',12)

figure(6)
plot(t,Um(20,:))
xlabel('Tempo (s)')
ylabel('Velocidade Média Horizontal do Vento, h=20m')
set(gca,'fontweight','bold','FontSize',12)

figure(7)
plot(Iu,z)
xlabel('intensidade de turbulência')
ylabel('Altura (m)')
xlim([0 0.15])
ylim([0 20])
xticks([0:0.03:0.15])
yticks([0:4:20])
set(gca,'fontweight','bold','FontSize',12)

figure(8)
plot(wl,S(2,:))
xlabel('Frequência angular (rad/s)')
ylabel('PSD, h= 2,0 m')
xlim([0 3])
set(gca,'fontweight','bold','FontSize',12)

figure(9)
plot(wl,C2)
xlabel('Frequência angular (rad/s)')
49
ylabel('Raiz quadrada da função de coerência, dz=2m')
xlim([0 3])
ylim([0 1])
set(gca,'fontweight','bold','FontSize',12)

figure(10)
plot(t,Uv(5,:))
xlabel('Tempo (s)')
ylabel('Velocidade Variável Horizontal do Vento, h=5m')
set(gca,'fontweight','bold','FontSize',12)

figure(11)
plot(t,Uv(10,:))
xlabel('Tempo (s)')
ylabel('Velocidade Variável Horizontal do Vento, h=10m')
set(gca,'fontweight','bold','FontSize',12)

figure(12)
plot(t,Uv(15,:))
xlabel('Tempo (s)')
ylabel('Velocidade Variável Horizontal do Vento, h=15m')
set(gca,'fontweight','bold','FontSize',12)

figure(13)
plot(t,Uv(20,:))
xlabel('Tempo (s)')
ylabel('Velocidade Variável Horizontal do Vento, h=20m')
set(gca,'fontweight','bold','FontSize',12)

figure(14)
plot(t,Ut(5,:))
xlabel('Tempo (s)')
ylabel('Velocidade do vento (m/s), h=5m')
set(gca,'fontweight','bold','FontSize',12)

figure(15)
plot(t,Ut(10,:))
xlabel('Tempo (s)')
ylabel('Velocidade do vento (m/s), h=10m')
set(gca,'fontweight','bold','FontSize',12)

figure(16)
plot(t,Ut(15,:))
xlabel('Tempo (s)')
ylabel('Velocidade do vento (m/s), h=15m')
set(gca,'fontweight','bold','FontSize',12)

50
figure(17)
plot(t,Ut(20,:))
xlabel('Tempo (s)')
ylabel('Velocidade do vento (m/s), h=20m')
set(gca,'fontweight','bold','FontSize',12)

51