論文の概要: Physics-informed Gaussian Processes for Safe Envelope Expansion

• arxiv url: http://arxiv.org/abs/2501.01000v1
• Date: Thu, 02 Jan 2025 01:37:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:12:59.681856
• Title: Physics-informed Gaussian Processes for Safe Envelope Expansion
• Title（参考訳）: 安全なエンベロープ展開のための物理インフォームドガウス過程
• Authors: D. Isaiah Harp, Joshua Ott, Dylan M. Asmar, John Alora, Mykel J. Kochenderfer,
• Abstract要約: 物理インフォームド平均関数を持つガウス過程(GP)を用いた飛行テスト解析の新しい手法を提案する。 本研究では,事前定義された飛行試験点や繰り返し飛行試験点を必要とせずにピッチングモーメント係数を推定し,提案手法を実証する。
• 参考スコア（独自算出の注目度）: 35.86317155999886
• License:
• Abstract: Flight test analysis often requires predefined test points with arbitrarily tight tolerances, leading to extensive and resource-intensive experimental campaigns. To address this challenge, we propose a novel approach to flight test analysis using Gaussian processes (GPs) with physics-informed mean functions to estimate aerodynamic quantities from arbitrary flight test data, validated using real T-38 aircraft data collected in collaboration with the United States Air Force Test Pilot School. We demonstrate our method by estimating the pitching moment coefficient without requiring predefined or repeated flight test points, significantly reducing the need for extensive experimental campaigns. Our approach incorporates aerodynamic models as priors within the GP framework, enhancing predictive accuracy across diverse flight conditions and providing robust uncertainty quantification. Key contributions include the integration of physics-based priors in a probabilistic model, which allows for precise computation from arbitrary flight test maneuvers, and the demonstration of our method capturing relevant dynamic characteristics such as short-period mode behavior. The proposed framework offers a scalable and generalizable solution for efficient data-driven flight test analysis and is able to accurately predict the short period frequency and damping for the T-38 across several Mach and dynamic pressure profiles.
• Abstract（参考訳）: 飛行テスト分析は、しばしば任意に厳格な許容力を持つ事前定義されたテストポイントを必要とし、広範囲で資源集約的な実験キャンペーンに繋がる。 この課題に対処するために,米国空軍テストパイロット学校と共同で収集した実T-38航空機データを用いて,任意の飛行試験データから空力量を推定する物理情報を用いたガウス過程(GP)を用いた飛行試験解析手法を提案する。 本研究では,事前定義された飛行テストポイントや繰り返し飛行テストポイントを必要とせずにピッチングモーメント係数を推定し,大規模な実験キャンペーンの必要性を著しく低減する手法を示す。 提案手法では, GPフレームワークの先行モデルとして空力モデルを導入し, 様々な飛行条件の予測精度を高め, 堅牢な不確実性定量化を実現する。 主な貢献は、任意の飛行試験操作から正確な計算を可能にする確率モデルにおける物理に基づく事前計算の統合と、短周期モード動作のような関連する動的特性をキャプチャする手法の実証である。 提案したフレームワークは、効率的なデータ駆動飛行テスト分析のためのスケーラブルで一般化可能なソリューションを提供し、複数のMachおよび動的圧力プロファイルにわたるT-38の短周期周波数と減衰を正確に予測することができる。

関連論文リスト

• An Empirical Wall-Pressure Spectrum Model for Aeroacoustic Predictions Based on Symbolic Regression [36.814181034608666]
  本稿では,電流予測の堅牢性と精度を高めるために,新しい壁圧スペクトル実験モデルを提案する。 このモデルは、遺伝的アルゴリズムに基づくアプローチを用いて、AIに基づく象徴的回帰を用いて開発されている。 これは、フルスケールの風力タービンの空気音響ノイズを予測するために、Amietの理論と統合されている。
  論文  参考訳（メタデータ） (2025-01-14T14:14:22Z)
• Conformalized Prediction of Post-Fault Voltage Trajectories Using Pre-trained and Finetuned Attention-Driven Neural Operators [9.336308366735656]
  本稿では,電力系統における後電圧トラジェクトリの間隔を予測するための新しいデータ駆動手法を提案する。 提案した演算子回帰モデルでは、電圧軌跡の観測された部分を、観測後の未観測軌跡にマッピングする。 ニューイングランド39バス試験システムを用いて提案手法の性能評価を行った。
  論文  参考訳（メタデータ） (2024-10-31T17:20:13Z)
• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Learning Generative Models for Climbing Aircraft from Radar Data [0.0]
  本稿では,標準航空機データ(BADA)モデルがデータから学習した推力の関数的補正によって強化された登山用航空機の生成モデルを提案する。 この手法には3つの特徴がある: BADAと比較すると66.3%の誤差で到着時刻を予測する; テストデータと比較すると現実的な軌道を生成する。
  論文  参考訳（メタデータ） (2023-09-26T13:53:53Z)
• 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)
• 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)
• Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures [52.25258289718559]
  本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な確率モデルを提案する。 任意の航空機数を含む交通量を生成するために,ペアワイズモデルを用いる方法を示す。
  論文  参考訳（メタデータ） (2023-03-17T13:58:06Z)
• Investigation of Physics-Informed Deep Learning for the Prediction of Parametric, Three-Dimensional Flow Based on Boundary Data [0.0]
  熱水車シミュレーションにおける3次元流れ場予測のためのパラメータ化サロゲートモデルを提案する。 物理インフォームドニューラルネットワーク (PINN) の設計は, 幾何学的変動に応じて, 流れ解の族を学習することを目的としている。
  論文  参考訳（メタデータ） (2022-03-17T09:54:22Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)

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。