Aprendizado de Máquina para a Otimização da Obtenção de Resultados em Simulações de Defesa Aeroespacial

Abstract

Este estudo investiga a implementação de técnicas de Machine Learning (Aprendizado de Máquina, ML) para acelerar a aquisição dos resultados em simulações aeroespaciais executadas pelo software Ambiente de Simulação Aeroespacial (ASA). Nesse contexto, simulações que modelam, em alguma medida, comportamentos estocásticos naturalmente requerem múltiplas iterações para atingir a convergência estatística, prolongando o tempo de processamento. Portanto, é proposta uma abordagem baseada em ML, utilizando técnicas tanto supervisionadas quanto não supervisionadas, para construir modelos preditivos a partir de dados provenientes de simulações de cenários aeroespaciais no contexto de defesa, de modo que, uma vez treinados, estes modelos generalizem a relação entre os dados de entrada e a variável-alvo, possibilitando a inferência de resultados sem a necessidade de recorrer a extensas e demoradas novas simulações para um mesmo cenário. Este procedimento é implementado utilizando a biblioteca AsaPy, desenvolvida na linguagem de programação Python, e integrado ao serviço ASA. Os resultados evidenciam a aplicabilidade e a usabilidade do ML em contextos de simulação aeroespacial de defesa.

@inproceedings{lima2024aprendizado,
  author = {Lima, Lucas S. and Giannico, Rafael H. and Brito, Denys D. C. and Dantas, Antonio G. S. and Dantas, Jo\~{a}o Paulo de Andrade},
  title = {{Aprendizado de M\'{a}quina para a Otimiza\c{c}\~{a}o da Obten\c{c}\~{a}o de Resultados em Simula\c{c}\~{o}es de Defesa Aeroespacial}},
  booktitle = {XIX Congresso Acad\^{e}mico sobre Defesa Nacional (CADN)},
  year = {2024},
  month = {August},
  day = {17},
  doi = {10.5281/zenodo.13334319},
  url = {https://doi.org/10.5281/zenodo.13334319},
  address = {Rio de Janeiro, RJ, Brazil},
  location = {Escola Naval}
}