帮助 关于我们

返回检索结果

基于CNN机翼气动系数预测
Prediction of wing aerodynamic coefficient based on CNN

查看参考文献15篇

吕召阳 1,2   聂雪媛 1,2 *   赵奥博 1,2  
文摘 随着机器学习的快速发展和其突出的非线性映射能力,越来越多的学者将机器学习方法应用到流体力学领域。为克服传统数学拟合不能很好的解决系统非线性问题,以及现有文献中所提及的一些基于神经网络的气动参数预测方法,需要进行参数化处理而带来的不便,同时为实现多变量多输出气动参数快速预测的目的,基于卷积神经网络考虑机翼变迎角和浮沉建立了一种多变量多输出的机翼气动参数预测模型,实现了机翼气动参数的快速预测。结果表明:所建模型具有较高且稳定的预测精度,并且计算效率较计算流体力学(CFD)提高了40倍。
其他语种文摘 With the rapid development of machine learning and its outstanding nonlinear mapping ability, more and more scholars apply machine learning methods to the field of fluid mechanics. To overcome the obstacle that the traditional mathematical fitting cannot well present the system nonlinearity and the inconvenience of some neural network-based aerodynamic parameter prediction methods due to the need of parametric processing, and to achieve the multi-variable and multi-output aerodynamic parameters, this paper establishes a multi-variable and multi-output model based on convolutional neural network considering the variable angle of attack and the heave of the wing to realize the rapid prediction of the aerodynamic coefficient of the wing. The results show that this model has high prediction accuracy and its computational efficiency is 40 times higher than computational fluid dynamics (CFD). Moreover, the designed stability experiment results show that the proposed model has good stability.
来源 北京航空航天大学学报 ,2023,49(3):674-680 【核心库】
DOI 10.13700/j.bh.1001-5965.2021.0276
关键词 卷积神经网络 ; 机器学习 ; 气动参数预测 ; 气动降阶 ; 深度学习
地址

1. 中国科学院力学研究所, 北京, 100190  

2. 中国科学院大学工程科学学院, 北京, 100049

语种 中文
文献类型 研究性论文
ISSN 1001-5965
学科 一般工业技术;航空
文献收藏号 CSCD:7445208

参考文献 共 15 共1页

1.  安效民. 多场耦合求解非线性气动弹性的研究综述. 力学进展,2009,39(3):284-298 CSCD被引 19 次    
2.  李亚东. 电动飞机气动焦点辨识及飞行试验研究. 航空工程进展,2021,12(3):78-84 CSCD被引 2 次    
3.  原智杰. 基于神经网络的导弹气动参数预测. 航空兵器,2020,27(5):28-32 CSCD被引 8 次    
4.  Suresh S. Lift coefficient prediction at high angle of attack using recurrent neural network. Aerospace Science and Technology,2003,7(8):595-602 CSCD被引 5 次    
5.  Carpenter M. A comprehensive approach to cataloging missile aerodynamic performance using surrogate modeling techniques and statistical learning. 29th AIAA Applied Aerodynamics Conference,2011:3029 CSCD被引 1 次    
6.  刘昕. 基于神经网络的机翼气动参数预测仿真研究. 计算机仿真,2015,32(12):67-71 CSCD被引 2 次    
7.  Balla K. An application of neural networks to the prediction of aerodynamic coefficients of aerofoils and wings. Applied Mathematical Modelling,2021,96:456-479 CSCD被引 5 次    
8.  叶舒然. 基于卷积神经网络的深度学习流场特征识别及应用进展. 航空学报,2021,42(4):524736 CSCD被引 12 次    
9.  陈海. 基于深度学习的翼型气动系数预测. 空气动力学学报,2018,36(2):294-299 CSCD被引 33 次    
10.  吴正文. 卷积神经网络在图像分类中的应用研究,2015:8-12 CSCD被引 19 次    
11.  李宏伟. 智能传感器中神经网络激活函数的实现方案. 传感器与微系统,2014,33(1):46-48 CSCD被引 3 次    
12.  尹宝才. 深度学习研究综述. 北京工业大学学报,2015,41(1):48-59 CSCD被引 133 次    
13.  Krizhevsky A. ImageNet classification with deep convolutional neural networks. Communications of the ACM,2017,60(6):84-90 CSCD被引 3313 次    
14.  Nair V. Rectified linear units improve restricted boltzmann machines. Proceedings of the 27th International Conference on Machine Learning,2010:807-814 CSCD被引 130 次    
15.  聂雪媛. 含间隙非线性机翼跨声速颤振时滞反馈控制. 北京航空航天大学学报,2021,47(10):1980-1988 CSCD被引 3 次    
引证文献 4 篇

1 赵嘉墀 基于GRU的扑翼非定常气动特性快速预测 浙江大学学报. 工学版,2023,57(6):1251-1256
CSCD被引 1 次

2 蔺佳哲 基于PINN模型的导弹气动特性快速预测技术 北京航空航天大学学报,2023,49(10):2669-2678
CSCD被引 1 次

显示所有4篇文献

论文科学数据集
PlumX Metrics
相关文献

 作者相关
 关键词相关
 参考文献相关

版权所有 ©2008 中国科学院文献情报中心 制作维护：中国科学院文献情报中心
地址：北京中关村北四环西路33号 邮政编码：100190 联系电话：(010)82627496 E-mail:cscd@mail.las.ac.cn 京ICP备05002861号-4 | 京公网安备11010802043238号