@MastersThesis{Costa:2022:OtMuSi,
               author = "Costa, Bruno Pinto",
                title = "Otimiza{\c{c}}{\~a}o multiobjetivo de sistemas propulsivos a 
                         propelentes l{\'{\i}}quidos utilizando algoritmo gen{\'e}tico",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2022",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2022-06-13",
             keywords = "foguetes a propelentes l{\'{\i}}quidos, otimiza{\c{c}}{\~a}o, 
                         algoritmo gen{\'e}tico, aprendizado de m{\'a}quina, VLM, liquid 
                         rocket engines, optimization, genetic algorithm, machine 
                         learning.",
             abstract = "O projeto de novos sistemas propulsivos espaciais requer a 
                         especifica{\c{c}}{\~a}o de um elevado n{\'u}mero de 
                         par{\^a}metros e a realiza{\c{c}}{\~a}o de diversos 
                         c{\'a}lculos iterativos. A utiliza{\c{c}}{\~a}o de 
                         t{\'e}cnicas de otimiza{\c{c}}{\~a}o permite acelerar a 
                         determina{\c{c}}{\~a}o da configura{\c{c}}{\~a}o ideal de 
                         sistemas propulsivos e, assim, possibilita reduzir o tempo e o 
                         custo do projeto. Este trabalho visa descrever uma ferramenta de 
                         otimiza{\c{c}}{\~a}o multiobjetivo aplic{\'a}vel a sistemas de 
                         propuls{\~a}o a bipropelentes l{\'{\i}}quidos. Estes sistemas 
                         de propuls{\~a}o apresentam uma elevada performance propulsiva e 
                         capacidade de controle de empuxo. A otimiza{\c{c}}{\~a}o 
                         desenvolvida {\'e} baseada no algoritmo NSGA II, que utiliza uma 
                         t{\'e}cnica fundamentada em um algoritmo gen{\'e}tico, 
                         estabelecendo-se como objetivos a maximiza{\c{c}}{\~a}o do 
                         impulso espec{\'{\i}}fico e a minimiza{\c{c}}{\~a}o da massa 
                         total do sistema propulsivo. Para isso, foram gerados e avaliados 
                         modelos preditivos atrav{\'e}s de t{\'e}cnicas de aprendizado de 
                         m{\'a}quinas (machine learning), objetivando a 
                         predi{\c{c}}{\~a}o da massa de propulsores l{\'{\i}}quidos e, 
                         assim, fazer a otimiza{\c{c}}{\~a}o do sistema completo. A 
                         ferramenta {\'e} capaz de aumentar a performance das 
                         solu{\c{c}}{\~o}es, por meio dos operadores gen{\'e}ticos, e de 
                         atender {\`a}s restri{\c{c}}{\~o}es de miss{\~a}o. Como estudo 
                         de caso, foi proposta a otimiza{\c{c}}{\~a}o de um sistema 
                         propulsivo bipropelente l{\'{\i}}quido, empregando etanol e 
                         oxig{\^e}nio l{\'{\i}}quido como propelentes, para atuar como 
                         alternativa ao terceiro est{\'a}gio do ve{\'{\i}}culo 
                         lan{\c{c}}ador de microssat{\'e}lites brasileiro (VLM). Os 
                         resultados obtidos mostraram que o algoritmo proposto foi 
                         eficiente, gerando um conjunto de 100 propulsores otimizados, 
                         todos mais leves e com maiores valores de impulso 
                         espec{\'{\i}}fico que o atual motor foguete utilizado como 
                         terceiro est{\'a}gio do VLM. ABSTRACT: The design of new space 
                         propulsive systems requires the specification of a large number of 
                         parameters and several iterative calculations. Optimization 
                         techniques allow accelerating the determination of the ideal 
                         configuration of propulsive systems and, thus, makes it possible 
                         to reduce the time and cost of the project. This work aims to 
                         describe a multi-objective optimization tool applicable to liquid 
                         bipropellant propulsion systems. These systems feature high 
                         propulsive performance and thrust control capability. The 
                         optimization method is based on the NSGA II algorithm, which uses 
                         a technique based on a genetic algorithm, establishing as 
                         objectives the maximization of the specific impulse and the 
                         minimization of the total mass of the propulsive system. For this, 
                         predictive models were generated and evaluated through machine 
                         learning techniques, aiming at predicting the mass of liquid 
                         propellants and, thus, optimizing the complete system. The tool is 
                         capable of increasing the performance of solutions, through 
                         genetic operators, and meeting mission restrictions. As a case 
                         study, it was proposed the optimization of a liquid bipropellant 
                         propulsive system, using ethanol and liquid oxygen as propellants, 
                         to act as an alternative to the third stage of the Brazilian 
                         microsatellite launch vehicle (VLM). The results showed that the 
                         proposed algorithm was efficient, generating a set of 100 
                         optimized thrusters, all lighter and with higher specific impulse 
                         values than the current rocket engine used as the third stage of 
                         the VLM.",
            committee = "Costa, Fernando de Souza (presidente/orientador) and Marques, 
                         Rodrigo Intini and Mendon{\c{c}}a, M{\'a}rcio Teixeira de and 
                         Pontes, Jos{\'e} da Rocha Miranda and Fischer, Gustavo Alexandre 
                         Achilles",
         englishtitle = "Multi objective optimization of liquid propulsion systems using 
                         genetic algorithm",
             language = "pt",
                pages = "86",
                  ibi = "8JMKD3MGP3W34T/4787FQH",
                  url = "http://urlib.net/ibi/8JMKD3MGP3W34T/4787FQH",
           targetfile = "publicacao.pdf",
        urlaccessdate = "06 jun. 2024"
}