跳到正文
找到 2000+ 条 · 更新于 00:26
2023年8月10日周四
2023年8月7日周一
2023年8月4日周五
2023年8月3日周四
2023年8月2日周三
2023年8月1日周二
2023年7月31日周一
2023年7月27日周四
2023年7月26日周三
2023年7月24日周一
2023年7月21日周五
2023年7月20日周四
2023年7月19日周三
2023年7月14日周五
2023年7月11日周二
2023年7月8日周六
2023年7月7日周五
  1. arXiv eVTOL预印本历史资料

    基于稀疏数据集的物理增强机器学习预测垂直起降飞行器气动特性

    复杂的最优设计与控制过程往往需要反复评估计算成本高昂的目标函数,并涉及庞大的设计空间。神经网络和高斯过程等数据驱动代理模型,为仿真提供了一种颇具吸引力的替代方案,并常用于表示优化中的目标函数。然而,纯数据驱动模型由于不遵循基本物理定律和约束,往往泛化和外推能力较差。在训练数据稀疏且高保真的情况下,这一问题尤为突出。一类物理融合机器学习(PIML)模型将机器学习模型与低保真度的部分物理模型相结合,以在保持计算效率的同时提升泛化性能。本文提出了两种用于飞机气动特性物理信息建模(PIML)的潜在方法:将人工神经网络与包含吹气机翼效应的低保真涡格法模型(BLOFI)相结合,以提升预测性能,同时将计算成本控制在可承受范围内。本文还开发了一套端到端、自动微分的开源框架,可用于高效训练此类混合模型。随后,研究采用这两种 PIML 建模方法,根据一架 6 旋翼电动垂直起降(eVTOL)飞行器的控制参数和飞行条件预测其气动系数。模型使用 CHARM 模型生成的稀疏高保真数据集进行训练。最后,研究将训练后的模型与原始低保真模型及标准纯数据驱动模型进行比较。(预印本;同行评审状态请核对原文。)

2023年7月6日周四
2023年7月3日周一
2023年6月29日周四
2023年6月28日周三
2023年6月27日周二