論文の概要: A Residual Learning Approach for Unsteady Aerodynamic Load Prediction
- arxiv url: http://arxiv.org/abs/2608.17894v1
- Date: Tue, 18 Aug 2026 15:26:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.375281
- Title: A Residual Learning Approach for Unsteady Aerodynamic Load Prediction
- Title（参考訳）: 非定常空力負荷予測のための残留学習手法
- Abstract要約: 本研究では, 残留学習による非定常空力負荷予測の実現可能性について検討した。
高忠実性CFDリフトデータを用いて,NLR 7301 の翼面評価を行った。
残差モデルは、入力がワグナーの定式化変数と整合するときに最もよく機能する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper investigates the feasibility of using residual learning to improve unsteady aerodynamic load prediction for aeroelastic applications. The machine learning technique selected for the study is the long short-term memory (LSTM) neural network, which is used for its suitability for sequential data with aerodynamic memory effects. The approach is investigated for the NLR 7301 airfoil benchmark using high-fidelity CFD lift data for prescribed pitch and plunge motions in the transonic flow regime in the presence of shock motion. An analytical unsteady aerodynamic model based on the Wagner function is used as a physics-based baseline, and the neural network is trained to learn the difference between the CFD lift coefficient and the Wagner prediction. The residual model is compared with a direct neural-network model trained to predict the CFD lift coefficient. The comparison includes feature and normalization studies, external benchmark cases, and leave-one-out and leave-family-out generalization tests across a range of sinusoidal and non-sinusoidal motions. The residual model performs best when its inputs align with the Wagner formulation variables, generally giving lower error and more consistent performance across training runs, though the direct model remains more accurate for some high-frequency cases. The residual model also generalizes better in the leave-one-out and leave-family-out tests, with a smaller increase in error than the direct model when entire motion families are withheld from training. Overall, the results indicate that residual learning shows promise as a modular approach for augmenting classical low-order aerodynamic theories, especially when the physics baseline removes a structured part of the aerodynamic response and leaves a lower-variance correction for the neural network to learn.
- Abstract（参考訳）: 本稿では, 残留学習による非定常空力負荷予測の実現可能性について検討する。
この研究で選択された機械学習技術は、長期記憶(LSTM)ニューラルネットワークであり、空気力学的メモリ効果を持つシーケンシャルデータに適している。
本手法は,高忠実性CFDリフトデータを用いたNLR 7301気翼ベンチマークにおいて,衝撃動の存在下での超音速流状態における所定のピッチおよび急降下運動について検討した。
物理ベースラインとしてワグナー関数に基づく解析的非定常空力モデルを用い,ニューラルネットワークを用いてCFDリフト係数とワグナー予測の違いを学習する。
残留モデルはCFDリフト係数を予測するために訓練された直接ニューラルネットワークモデルと比較される。
この比較には、特徴および正規化の研究、外部ベンチマークケース、および正弦波運動と非正弦波運動の多岐にわたる離脱・家族アウト一般化テストが含まれる。
残差モデルは、入力がワーグナーの定式化変数と整合するときに最もよく機能し、通常、トレーニングの実行中により低いエラーとより一貫性のある性能を与えるが、いくつかの高周波ケースでは直接モデルの方がより正確である。
残余モデルは、トレーニングが中止されたときの直接モデルよりも誤差が小さいため、残余試験や残余試験でもより良く一般化する。
全体として、残差学習は古典的低次空力理論を拡張するためのモジュラーアプローチとして有望であることが示され、特に物理基底線が空力応答の構造化部分を取り除き、ニューラルネットワークが学習するための低分散補正を残す場合である。
関連論文リスト
- Spatio-Temporal Prediction of Unsteady Airfoil Aerodynamics Using Augmented Graph Neural Ordinary Differential Equations with Exogenous Controls [0.0]
本稿では,GNNと拡張ニューラル正規微分方程式を組み合わせることで,投球翼の表面力の時間的安定な予測が得られることを示す。
GNODEと呼ばれる我々の手法は、自己回帰GNNベースラインよりも時間的に安定し、空間的に滑らかで、全体としてより正確な結果をもたらすことがわかった。
論文 参考訳（メタデータ） (2026-07-17T14:21:37Z) - Adaptive Visual Autoregressive Acceleration via Dual-Linkage Entropy Analysis [50.48301331112126]
我々は,Visual AutoRegressive モデリングのためのトレーニング不要なトークン削減促進フレームワーク NOVA を提案する。
NOVAは、スケールエントロピー成長の屈折点をオンライン同定することにより、推論中のアクティベーションアクティベーションスケールを適応的に決定する。
実験と解析により、NOVAはシンプルで効果的なトレーニングフリー加速フレームワークとして評価される。
論文 参考訳（メタデータ） (2026-02-01T17:29:42Z) - A Neural ODE Approach to Aircraft Flight Dynamics Modelling [3.436872726361289]
本稿では、クイックアクセスレコーダ(QAR)データに基づいて訓練されたニューラル正規微分方程式に基づくFlight Dynamics ModelであるNODE-FDMを紹介する。
解析的キネマティックな関係をデータ駆動コンポーネントと組み合わせることで、NODE-FDMは記録された軌道のより正確な再現を実現する。
論文 参考訳（メタデータ） (2025-09-27T13:44:17Z) - Physics-Informed Multimodal Bearing Fault Classification under Variable Operating Conditions using Transfer Learning [0.46085106405479537]
本研究では,物理インフォームド・マルチモーダル畳み込みニューラルネットワーク (CNN) とレイトフュージョンアーキテクチャを提案する。
このモデルには、物理的に不可解な予測をペナルティ化する、新しい物理インフォームド・ロス関数が組み込まれている。
パーダーボーン大学のデータセットの実験では、提案された物理学的インフォームドアプローチが、非物理学的インフォームドベースラインを一貫して上回ることを示した。
論文 参考訳（メタデータ） (2025-08-11T01:32:09Z) - Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。
われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。
本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文 参考訳（メタデータ） (2025-07-15T17:57:48Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳（メタデータ） (2023-07-25T14:09:53Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z) - Knowledge-embedded meta-learning model for lift coefficient prediction
of airfoils [25.546237636065182]
攻撃角度の異なる任意の超臨界翼の昇降係数を求めるために,知識埋め込みメタ学習モデルを開発した。
通常のニューラルネットワークと比較して,提案モデルでは,競合予測精度でより優れた一般化能力を示すことができる。
その結果, 提案モデルでは, 翼形状が物理的特性に与える影響を評価する傾向が示唆された。
論文 参考訳（メタデータ） (2023-03-06T02:47:31Z) - 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) - 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) - 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。