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
|
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
|
被引
18
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
|
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
|
被引
6
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
|
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
|
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
|
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
|
被引
2
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
|
被引
9
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
|
被引
29
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
|
被引
1
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
|
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
|
被引
128
次
|
|
|
|
|
13.
Krizhevsky A. ImageNet classification with deep convolutional neural networks.
Communications of the ACM,2017,60(6):84-90
|
被引
2891
次
|
|
|
|
|
14.
Nair V. Rectified linear units improve restricted boltzmann machines.
Proceedings of the 27th International Conference on Machine Learning,2010:807-814
|
被引
118
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
|
被引
3
次
|
|
|
|
|
了解气象卫星更多信息，请访问