没有合适的资源?快使用搜索试试~ 我知道了~
飞行仿真气动力数据机器学习建模方法(作者-中国航天空气动力技术研究院-王超等)
需积分: 0 21 下载量 116 浏览量
2019-08-20
21:36:38
上传
评论 2
收藏 16.56MB PDF 举报
温馨提示
试读
10页
这篇文章主要讲了机器学习在CFD(计算流体力学)领域的跨学科应用,研究方法和角度值得学习,具体内容:基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法.该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近.
资源推荐
资源详情
资源评论
第
37
卷
第
3
期
空 气 动 力 学 学 报
Vol.37
,
No.3
2019
年
06
月
ACTAAERODYNAMICASINICA
June
,
2019
文章编号
:
0258G1825
(
2019
)
03G0488G10
飞行仿真气动力数据机器学习建模方法
王
超
,
王 贵 东
∗
,
白
鹏
(
中国航天空气动力技术研究院
,
北京
100074
)
摘
要
:
基于机器学习思想
,
提出了一种大空域
、
宽速域的气动力建模方法
.
该方 法利用 飞 行仿真 弹 道数据 辨 识的
气动力数据
,
采用人工神经网络技术
,
实现了对高度
、
速 度
、
姿 态 和 舵 偏 角 等 多 维 度 强 非 线 性 特 性 的 全 弹 道 气 动 力
数据的高精度逼近
.
首先
,
分析了神经网络层数
、
隐含层神经元个数等对建模误差 的 影响
,
通过 对 典型弹 道 气动数
据的神经网络建模计算
,
确定了较合适的神经网络 层 数 和 较 优 的 隐 层 神 经 元 个 数
.
进 而
,
利 用 飞 行 仿 真 的 弹 道 数
据辨识出沿弹道的气动力
,
采用神经网络建立了包含 多 个 弹 道 融 合 的 气 动 力 模 型
,
输 出 量 分 别 为 三 轴 气 动 力 系 数
和力矩系数
.
最后通过气动模型输出量与原样本数据 的 对 比
,
以 及
4
条 未 参 与 训 练 弹 道 气 动 数 据 的 预 测
,
验 证 了
该气动力建模方法具有较高的精度
.
建模结果表明
:
采 用 神 经 网 络 方 法 建 立 的 飞 行 器 气 动 力 模 型
,
对 拟 合 多 源 耦
合输入全弹道非线性气动力是可行的和有效的
,
在 样 本 覆 盖 的 高 度
、
速 度
、
姿 态 和 控 制 舵 偏 角 范 围 内
,
气 动 力 拟 合
能力较强
,
并具有一定的外推性
.
该项研究可以为基 于 飞 行 试 验 数 据 的 气 动 建 模 提 供 新 的 方 法
,
并 且 能 为 飞 行 器
气动力数据挖掘
、
飞行仿真和总体性能分析提供参考
.
关键 词
:
非线性气动力
;
气动建模方法
;
神经网络
;
气动参数辨识
;
飞行仿真
中图 分类号
:
TP181
;
V211
文献 标识码
:
A doi
:
10.7638
/
k
q
dlxxbG2019.0024
收稿日 期
:
2019G02G14
;
修订日 期
:
2019G03G26
基金项 目
:
国家重点研发计划
(
2018YFA070211
);
装备预研基金
(
61402060202
)
作者简 介
:
王超
(
1986G
),
男
,
山东菏泽人
,
博士
,
工程师
,
研究方向
:
空气动力学与飞行控制
.EGmail
:
caawan
g
chao@163.com
通信作 者
:
王贵东
∗
(
1976G
),
男
,
河南鹿邑人
,
博士
,
高级工程师
,
研究方向
:
飞行器气动参数辨识
.EGmail
:
w
g
db
j
@sina.com
引用格 式
:
王超
,
王贵东
,
白鹏
.
飞行仿真气动力数据机器学习建模方法
[
J
]
.
空气动力学学报
,
2019
,
37
(
3
):
488G497.
doi
:
10.7638
/
k
q
dlxxbG2019.0024 WANGC
,
WANGG D
,
BAIP.Machinelearnin
g
methodforaerod
y
namicmodelin
g
basedon
fli
g
htsimulationdata
[
J
]
.ActaAerod
y
namicaSinica
,
2019
,
37
(
3
):
488G497.
Machinelearnin
g
methodforaerod
y
namicmodelin
g
basedonfli
g
htsimulationdata
WANGChao
,
WANG Guidon
g
∗
,
BAIPen
g
(
ChinaAcadem
y
o
f
Aeros
p
aceAerod
y
namics
,
Bei
j
in
g
100074
,
China
)
Abstract
:
Anaerod
y
namicmodelin
g
methodbasedon machinelearnin
g
theor
y
a
pp
l
y
in
g
to
lar
g
eairs
p
aceand wides
p
eedran
g
eis
p
ro
p
osed.This methodutilizesaerod
y
namic
p
arameter
identificationresultsfromfli
g
httra
j
ector
y
simulationdataandado
p
tsneuralnetworktechnolo
gy
,
sotheaerod
y
namicmodelhasahi
g
h
p
recisionfittin
g
abilit
y
fortheaerod
y
namicdatawithhi
g
h
nonlinearcharacteristics
,
re
g
ardin
g
variablehei
g
ht
,
velocit
y
,
attitudean
g
leandcontrolrudder
an
g
leconditions.Firstl
y
,
theeffectsofthenumberofneuralnetworkandhiddenneuralunit
numberonmodelaccurac
y
arediscussed.The
p
ro
p
erneuralnetworkla
y
ernumbersandhidden
neuralunitsareobtainedthrou
g
hseveralneuralnetworkmodelin
g
calculations.Thenweusethe
fli
g
httra
j
ector
y
simulation datato
g
etthe whole aerod
y
namic
p
arameters b
y
identification
method.B
y
usin
g
BPneuralnetworks
,
sixaerod
y
namicmodelsincludin
g
threeaerod
y
namicforce
coefficientsandthreeaerod
y
namic momentcoefficientsareobtained.The modelshave hi
g
h
p
recisionaccordin
g
tothecom
p
arisonbetween modelout
p
utresultsandori
g
indata
,
aswellas
theaerod
y
namic
p
redictionoffourtra
j
ectorieswhicharenota
pp
liedtothemodelin
g
.Theresults
showthattheaerod
y
namicmodelin
g
methodbasedon machinelearnin
g
isfeasibleandeffective.
Theaerod
y
namicmodelshavea
g
reatfittin
g
abilit
y
andsomeextra
p
olationsintheran
g
esofdata
sam
p
lesincludin
g
hei
g
ht
,
Machnumber
,
attackan
g
le
,
sidesli
p
an
g
le
,
an
g
ularrate
,
andcontrol
资源评论
ACE-Mayer
- 粉丝: 3w+
- 资源: 4
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功