論文の概要: Machine learning enhanced real-time aerodynamic forces prediction based
on sparse pressure sensor inputs
- arxiv url: http://arxiv.org/abs/2305.09199v1
- Date: Tue, 16 May 2023 06:15:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-17 16:15:07.356753
- Title: Machine learning enhanced real-time aerodynamic forces prediction based
on sparse pressure sensor inputs
- Title（参考訳）: スパース圧力センサ入力に基づく機械学習による実時間空力力予測
- Authors: Junming Duan, Qian Wang, Jan S. Hesthaven
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.112725255953468
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate prediction of aerodynamic forces in real-time is crucial for
autonomous navigation of unmanned aerial vehicles (UAVs). This paper presents a
data-driven aerodynamic force prediction model based on a small number of
pressure sensors located on the surface of UAV. The model is built on a linear
term that can make a reasonably accurate prediction and a nonlinear correction
for accuracy improvement. The linear term is based on a reduced basis
reconstruction of the surface pressure distribution, where the basis is
extracted from numerical simulation data and the basis coefficients are
determined by solving linear pressure reconstruction equations at a set of
sensor locations. Sensor placement is optimized using the discrete empirical
interpolation method (DEIM). Aerodynamic forces are computed by integrating the
reconstructed surface pressure distribution. The nonlinear term is an
artificial neural network (NN) that is trained to bridge the gap between the
ground truth and the DEIM prediction, especially in the scenario where the DEIM
model is constructed from simulation data with limited fidelity. A large
network is not necessary for accurate correction as the linear model already
captures the main dynamics of the surface pressure field, thus yielding an
efficient DEIM+NN aerodynamic force prediction model. The model is tested on
numerical and experimental dynamic stall data of a 2D NACA0015 airfoil, and
numerical simulation data of dynamic stall of a 3D drone. Numerical results
demonstrate that the machine learning enhanced model can make fast and accurate
predictions of aerodynamic forces using only a few pressure sensors, even for
the NACA0015 case in which the simulations do not agree well with the wind
tunnel experiments. Furthermore, the model is robust to noise.
- Abstract（参考訳）: 無人航空機(UAV)の自律航法には,空力の正確な予測が不可欠である。
本稿では,UAV表面に位置する少数の圧力センサに基づいて,データ駆動型空気力予測モデルを提案する。
このモデルは、合理的に正確な予測と、精度向上のための非線形補正を可能にする線形項に基づいている。
線形項は、一組のセンサ位置で線形圧力再構成方程式を解いて、数値シミュレーションデータから基底を抽出し、基底係数を決定する表面圧力分布の縮小基底再構成に基づいている。
センサ配置は離散的経験補間法(DEIM)を用いて最適化される。
空力力は再構成された表面圧力分布を統合することで計算される。
非線形項は、特にDEMモデルが有限性に制限されたシミュレーションデータから構築されるシナリオにおいて、基底真理とDEM予測のギャップを埋めるように訓練された人工ニューラルネットワーク(NN)である。
線形モデルは表面圧力場の主動力を既に捉えており、効率的なdeim+nn空力力予測モデルをもたらすので、正確な補正には大きなネットワークは不要である。
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。
シミュレーションが風洞実験とうまく一致しないNACA0015の場合においても,数個の圧力センサのみを用いて,機械学習強化モデルにより空気力の高速かつ正確な予測が可能であることを示す。
さらに、モデルはノイズに対して堅牢である。
関連論文リスト
- Fine-Tuning Hybrid Physics-Informed Neural Networks for Vehicle Dynamics Model Estimation [2.432448600920501]
本稿では、教師付きおよび教師なしの物理インフォームドニューラルネットワーク(PINN)を統合したFTHD法を提案する。
FTHDは、より小さなトレーニングデータセットを使用して、事前トレーニングされたDeep Dynamics Model(DDM)を微調整する。
拡張カルマンフィルタ(EKF)はFTHD内に埋め込まれ、ノイズの多い実世界のデータを効果的に管理し、正確な騒音を確実にする。
その結果, パラメータ推定精度は従来のモデルより大幅に向上し, 既存のモデルよりも優れていた。
論文 参考訳（メタデータ） (2024-09-29T10:33:07Z) - Brain-Inspired Spike Echo State Network Dynamics for Aero-Engine Intelligent Fault Prediction [4.945898510368636]
本研究では,航空機の知的故障予測のための脳内スパイク状態ネットワーク(Spike-ES)モデルを提案する。
スパイクESは、航空エンジンの時系列データの進化過程を効果的に捉えるために用いられる。
論文 参考訳（メタデータ） (2024-06-14T04:06:17Z) - Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。
我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。
高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文 参考訳（メタデータ） (2024-03-25T11:29:32Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - 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) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural
Network [0.0]
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。
論文 参考訳（メタデータ） (2021-09-24T19:07:19Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳（メタデータ） (2021-04-30T02:15:01Z) - 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)
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。