論文の概要: A Supervised Machine-Learning Approach For Turboshaft Engine Dynamic Modeling Under Real Flight Conditions

• arxiv url: http://arxiv.org/abs/2502.14120v2
• Date: Sun, 23 Feb 2025 17:24:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 12:07:10.589216
• Title: A Supervised Machine-Learning Approach For Turboshaft Engine Dynamic Modeling Under Real Flight Conditions
• Title（参考訳）: 実飛行条件下でのターボシャフトエンジンの動的モデリングのための機械学習手法の提案
• Authors: Damiano Paniccia, Francesco Aldo Tucci, Joel Guerrero, Luigi Capone, Nicoletta Sanguini, Tommaso Benacchio, Luigi Bottasso,
• Abstract要約: 本研究では、レオナルドのAW189P4プロトタイプのターボシャフトエンジンをモデル化するための異なるニューラルネットワークアーキテクチャについて検討する。 これらのモデルは、様々な操作を含む実飛行テストの広範なデータベースで訓練されている。 ニューラルネットワークのアプローチを補完するために,SINDy(Sparse Identification of Dynamics)を用いて低次元力学モデルを導出する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Rotorcraft engines are highly complex, nonlinear thermodynamic systems that operate under varying environmental and flight conditions. Simulating their dynamics is crucial for design, fault diagnostics, and deterioration control phases, and requires robust and reliable control systems to estimate engine performance throughout flight envelope. However, the development of detailed physical models of the engine based on numerical simulations is a very challenging task due to the complex and entangled physics driving the engine. In this scenario, data-driven machine-learning techniques are of great interest to the aircraft engine community, due to their ability to describe nonlinear systems' dynamic behavior and enable online performance estimation, achieving excellent results with accuracy competitive with the state of the art. In this work, we explore different Neural Network architectures to model the turboshaft engine of Leonardo's AW189P4 prototype, aiming to predict the engine torque. The models are trained on an extensive database of real flight tests featuring a variety of operational maneuvers performed under different flight conditions, providing a comprehensive representation of the engine's performance. To complement the neural network approach, we apply Sparse Identification of Nonlinear Dynamics (SINDy) to derive a low-dimensional dynamical model from the available data, describing the relationship between fuel flow and engine torque. The resulting model showcases SINDy's capability to recover the actual physics underlying the engine dynamics and demonstrates its potential for investigating more complex aspects of the engine. The results prove that data-driven engine models can exploit a wider range of parameters than standard transfer function-based approaches, enabling the use of trained schemes to simulate nonlinear effects in different engines and helicopters.
• Abstract（参考訳）: ロータクラフトエンジンは非常に複雑で非線形な熱力学系であり、様々な環境および飛行条件下で作動する。 それらのダイナミクスをシミュレーションすることは、設計、故障診断、劣化制御フェーズに不可欠であり、飛行封筒全体のエンジン性能を推定するためには、堅牢で信頼性の高い制御システムが必要である。 しかし、数値シミュレーションに基づくエンジンの詳細な物理モデルの開発は、エンジンを駆動する複雑で絡み合った物理のために非常に難しい課題である。 このシナリオでは、非線形システムのダイナミックな振る舞いを記述し、オンラインのパフォーマンス推定を可能にするため、データ駆動機械学習技術は航空機のエンジンコミュニティにとって大きな関心を持つ。 本研究では、レオナルドのAW189P4試作機のターボシャフトエンジンをモデル化するための異なるニューラルネットワークアーキテクチャについて検討し、エンジントルクの予測を目的とした。 これらのモデルは、様々な飛行条件下で実行される様々な操作操作を特徴とする実飛行試験の広範なデータベースに基づいて訓練され、エンジンの性能を包括的に表現している。 ニューラルネットワークのアプローチを補完するために、スパース非線形ダイナミクス(SINDy)を用いて、利用可能なデータから低次元力学モデルを導出し、燃料流とエンジントルクの関係を記述する。 結果のモデルでは、エンジン力学の基礎となる物理を回復するSINDyの能力を示し、エンジンのより複雑な側面を調査する可能性を示している。 その結果、データ駆動型エンジンモデルは、標準的な転送関数ベースのアプローチよりも幅広いパラメータを利用でき、異なるエンジンやヘリコプターの非線形効果をシミュレートするための訓練されたスキームが利用可能であることが証明された。

関連論文リスト

• Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
  トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。 既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。 我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:15:57Z)
• Physics-informed neural networks for predicting gas flow dynamics and unknown parameters in diesel engines [0.0]
  目的は、エンジンのダイナミクスを評価し、未知のパラメータを"平均値"モデルで識別し、メンテナンス要件を予測することである。 PINNモデルは可変形状ターボチャージャーと排気ガス再循環を備えたディーゼルエンジンに適用される。 本研究は、PINNモデルに加え、ディープニューラルネットワーク(DNN)の利用を検討する。
  論文  参考訳（メタデータ） (2023-04-26T19:37:18Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• 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)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Identification of the nonlinear steering dynamics of an autonomous vehicle [0.0]
  現代の車両は、モデリングが難しいデジタルおよびメカトロニクスコンポーネントの広い配列を持っています。 関連する車両のダイナミクスをキャプチャするためにデータ駆動モデリングを使用することは魅力的です。 ニューラルネットワークベースのサブスペースエンコーダが基礎となるダイナミクスをうまくキャプチャできることを示した。
  論文  参考訳（メタデータ） (2021-05-10T17:32:23Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• A Physics-Informed Deep Learning Paradigm for Car-Following Models [3.093890460224435]
  物理モデルによるニューラルネットワークに基づくカーフォローモデルの開発を行っています。 2種類のPIDL-CFM問題について検討し,その1つは加速のみを予測し,もう1つは加速のみを予測し,モデルパラメータを発見する。 その結果,無力者よりも物理によって学習されるニューラルネットの性能が向上した。
  論文  参考訳（メタデータ） (2020-12-24T18:04:08Z)
• Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
  本稿では,大理石を円形迷路の中心まで航行する作業について述べる。 実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
  論文  参考訳（メタデータ） (2020-11-14T02:03:08Z)
• Modeling Electrical Motor Dynamics using Encoder-Decoder with Recurrent Skip Connection [26.49151897094165]
  データ駆動型アプローチによる電動機の動力学モデリングの実現可能性について検討する。 繰り返しスキップ接続の利点を生かした新しいエンコーダデコーダアーキテクチャを提案する。 本稿では,信号複雑性が時間的ダイナミクスをモデル化する手法に与える影響を示す。
  論文  参考訳（メタデータ） (2020-10-08T15:10:04Z)

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。