論文の概要: Improving aircraft performance using machine learning: a review
- arxiv url: http://arxiv.org/abs/2210.11481v1
- Date: Thu, 20 Oct 2022 07:16:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 16:23:34.834067
- Title: Improving aircraft performance using machine learning: a review
- Title（参考訳）: 機械学習による航空機の性能向上 : レビュー
- Authors: Soledad Le Clainche, Esteban Ferrer, Sam Gibson, Elisabeth Cross,
Alessandro Parente, Ricardo Vinuesa
- Abstract要約: 本稿では,航空宇宙工学の多分野に影響を及ぼす機械学習(ML)の新たな展開について概説する。
我々は、さまざまな航空宇宙分野にまたがるML手法の利点と課題を整理し、技術の現状を概観する。
- 参考スコア（独自算出の注目度）: 57.82442188072833
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This review covers the new developments in machine learning (ML) that are
impacting the multi-disciplinary area of aerospace engineering, including
fundamental fluid dynamics (experimental and numerical), aerodynamics,
acoustics, combustion and structural health monitoring. We review the state of
the art, gathering the advantages and challenges of ML methods across different
aerospace disciplines and provide our view on future opportunities. The basic
concepts and the most relevant strategies for ML are presented together with
the most relevant applications in aerospace engineering, revealing that ML is
improving aircraft performance and that these techniques will have a large
impact in the near future.
- Abstract（参考訳）: 本稿では, 基礎流体力学(実験と数値), 空力学, 音響学, 燃焼, 構造健康モニタリングなど, 航空宇宙工学の多分野に影響を及ぼす機械学習(ML)の新たな展開について述べる。
我々は,技術の現状をレビューし,さまざまな航空宇宙分野にわたるML手法のメリットと課題を収集し,今後の展望について考察する。
MLの基本概念と最も関連性の高い戦略は、航空宇宙工学における最も関連性の高い応用と共に提示され、MLが航空機の性能を改善しており、これらの技術が近い将来大きな影響を与えることを明らかにする。
関連論文リスト
- The transformative potential of machine learning for experiments in
fluid mechanics [1.9459588807364006]
この視点は、機械学習の進歩の恩恵を受けるための実験流体力学のいくつかの側面を強調します。
いずれの場合も、近年の成功談や進行中の課題について、注意点や限界とともに論じ、ML強化およびML対応実験流体力学の新しい手法の可能性について概説する。
論文 参考訳（メタデータ） (2023-03-28T09:03:47Z) - Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。
欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
論文 参考訳（メタデータ） (2022-12-10T07:49:50Z) - Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。
物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
論文 参考訳（メタデータ） (2022-03-11T18:27:04Z) - Machine Learning in Aerodynamic Shape Optimization [0.0]
最先端の機械学習アプローチが空気力学的形状最適化(ASO)にどのように役立つかを示す。
機械学習のトレーニング費用がかかるため、大規模な設計の実践的な最適化は依然として課題である。
MLモデル構築とASOの事前経験と知識との深い結合は、MLモデルを効果的に訓練するために推奨される。
論文 参考訳（メタデータ） (2022-02-15T02:23:21Z) - Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
古典力学の先行概念を機械学習モデルに統合する手法が提案されている。
これらのモデルの現在の機能について、精査する。
連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
論文 参考訳（メタデータ） (2021-11-09T23:48:21Z) - Machine Learning Methods for the Design and Operation of Liquid Rocket
Engines -- Research Activities at the DLR Institute of Space Propulsion [0.0]
本稿では、DLR宇宙推進研究所における現在の機械学習応用について述べる。
提示された方法の長所と短所、および現在および将来の研究方向について議論する。
論文 参考訳（メタデータ） (2021-02-14T09:09:37Z) - Machine Learning Force Fields [54.48599172620472]
機械学習(ML)は、計算化学の多くの進歩を可能にした。
最も有望な応用の1つは、MLベースの力場(FF)の構築である。
本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
論文 参考訳（メタデータ） (2020-10-14T13:14:14Z) - Data-Driven Aerospace Engineering: Reframing the Industry with Machine
Learning [49.367020832638794]
航空宇宙産業は、ビッグデータと機械学習を収益化しようとしている。
最近のトレンドは、設計、製造、検証、サービスにおける重要な課題の文脈で検討される。
論文 参考訳（メタデータ） (2020-08-24T22:40:26Z) - From industry-wide parameters to aircraft-centric on-flight inference:
improving aeronautics performance prediction with machine learning [5.171090309853363]
航空機の性能モデルは、特に燃料効率の良い飛行計画において重要な役割を担っている。
実際には、メーカーは1つの要素のチューニングを通じて、航空機のライフサイクルを通してわずかに修正されたガイドラインを提供し、より良い燃料予測を可能にしている。
これは制限があり、特に航空機の性能に影響を及ぼすそれぞれの特徴の進化を反映していない。
本論文の重要な貢献は,航空機の飛行中に連続的に記録される大量のデータを活用するために,機械学習の利用を促進することである。
論文 参考訳（メタデータ） (2020-05-11T17:40:17Z)
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。