論文の概要: Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural Network

• arxiv url: http://arxiv.org/abs/2109.12149v1
• Date: Fri, 24 Sep 2021 19:07:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-01 10:07:48.688998
• Title: Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural Network
• Title（参考訳）: ニューラルネットワークを用いた翼の空力係数予測
• Authors: Hassan Moin, Hafiz Zeeshan Iqbal Khan, Surrayya Mobeen and Jamshed Riaz
• Abstract要約: 右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。 本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Figuring out the right airfoil is a crucial step in the preliminary stage of any aerial vehicle design, as its shape directly affects the overall aerodynamic characteristics of the aircraft or rotorcraft. Besides being a measure of performance, the aerodynamic coefficients are used to design additional subsystems such as a flight control system, or predict complex dynamic phenomena such as aeroelastic instability. The coefficients in question can either be obtained experimentally through wind tunnel testing or, depending upon the accuracy requirements, by numerically simulating the underlying fundamental equations of fluid dynamics. In this paper, the feasibility of applying Artificial Neural Networks (ANNs) to estimate the aerodynamic coefficients of differing airfoil geometries at varying Angle of Attack, Mach and Reynolds number is investigated. The ANNs are computational entities that have the ability to learn highly nonlinear spatial and temporal patterns. Therefore, they are increasingly being used to approximate complex real-world phenomenon. However, despite their significant breakthrough in the past few years, ANNs' spreading in the field of Computational Fluid Dynamics (CFD) is fairly recent, and many applications within this field remain unexplored. This study thus compares different network architectures and training datasets in an attempt to gain insight as to how the network perceives the given airfoil geometries, while producing an acceptable neuronal model for faster and easier prediction of lift, drag and moment coefficients in steady state, incompressible flow regimes. This data-driven method produces sufficiently accurate results, with the added benefit of saving high computational and experimental costs.
• Abstract（参考訳）: 機体の形状が航空機やロータークラフトの全体的な空力特性に直接影響するため、右翼の確認はあらゆる航空機設計の初期段階における重要なステップである。 性能の指標であるだけでなく、空力係数は飛行制御システムのような追加のサブシステムの設計や、空力弾性不安定性のような複雑な動的現象の予測にも用いられる。 問題の係数は風洞試験によって実験的に得られるか、あるいは精度の要求に応じて流体力学の基礎方程式を数値シミュレーションすることによって得られる。 本稿では, 異なる翼形状の空力係数を攻撃角, マッハ数, レイノルズ数で推定するためのニューラルネットワーク (anns) の適用可能性について検討した。 ANNは、高度に非線形な空間的および時間的パターンを学習する能力を持つ計算エンティティである。 そのため、より複雑な実世界現象を近似するために用いられるようになっている。 しかし、ここ数年で大きな進歩を遂げたにもかかわらず、計算流体力学(CFD)分野におけるANNの広がりは比較的最近であり、この分野の多くの応用は未解明のままである。 そこで本研究では,異なるネットワークアーキテクチャとトレーニングデータセットを比較して,ネットワークが与えられた翼のジオメトリーをどのように知覚するかを把握し,より高速かつ容易にリフト,ドラッグ,モーメント係数を定常状態,圧縮不能な流れ状態で予測する神経モデルを構築した。 このデータ駆動方式は,高い計算コストと実験コストを節約し,十分な正確な結果が得られる。

関連論文リスト

• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• Airfoil Diffusion: Denoising Diffusion Model For Conditional Airfoil Generation [7.136205674624813]
  拡散モデルを用いた翼生成のためのデータ駆動手法を提案する。 我々のモデルは、既存の翼のデータセットに基づいて訓練され、ランダムなベクトルから任意の数の新しい翼を生成することができる。
  論文  参考訳（メタデータ） (2024-08-28T16:12:16Z)
• Spherical Fourier Neural Operators: Learning Stable Dynamics on the Sphere [53.63505583883769]
  球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。 SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
  論文  参考訳（メタデータ） (2023-06-06T16:27:17Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• A Synergistic Framework Leveraging Autoencoders and Generative Adversarial Networks for the Synthesis of Computational Fluid Dynamics Results in Aerofoil Aerodynamics [0.5018156030818882]
  本研究では,自動エンコーダとGANを組み合わせてCFD結果を生成する手法を提案する。 我々の革新的なフレームワークは、オートエンコーダの本質的な能力を利用して、エアロフォイルジオメトリーを圧縮された20長ベクトル表現にエンコードする。 条件付きGANネットワークは、このベクトルを正確な圧力分布プロットに変換し、固定風速、攻撃角、乱流レベル仕様を考慮に入れている。
  論文  参考訳（メタデータ） (2023-05-28T09:46:18Z)
• Machine learning enhanced real-time aerodynamic forces prediction based on sparse pressure sensor inputs [7.112725255953468]
  本稿では,少数の圧力センサを用いたデータ駆動型空気力予測モデルを提案する。 本モデルでは,2次元NACA0015翼の動的ストールデータと3次元ドローンの動的ストールデータの数値シミュレーションデータを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-05-16T06:15:13Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• Data-driven Aerodynamic Analysis of Structures using Gaussian Processes [0.0]
  本稿では,橋梁に作用する非線形自励力のデータ駆動モデルを提案する。 このフレームワークは、CFD(Computational Fluid Dynamics)データに基づいて、合理化およびブラフブリッジデッキに適用される。 提案フレームワークのさらなる応用は,細線状構造物の設計とオンラインリアルタイム監視に期待できる。
  論文  参考訳（メタデータ） (2021-03-20T11:22:24Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Airfoil GAN: Encoding and Synthesizing Airfoils for Aerodynamic Shape Optimization [9.432375767178284]
  本稿では,既存の翼から表現を自動的に学習し,学習した表現を用いて新しい翼を生成する,データ駆動型形状符号化・生成手法を提案する。 我々のモデルは、変分オートエンコーダとジェネレーティブ・アドバーサリアル・ネットワークを組み合わせたニューラルネットワークであるVAEGANに基づいて構築されており、勾配に基づく手法で訓練されている。
  論文  参考訳（メタデータ） (2021-01-12T21:25:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。