跳到正文
找到 2000+ 条 · 更新于 01:26
2023年9月27日周三
2023年9月21日周四
2023年9月20日周三
2023年9月8日周五
2023年9月6日周三
2023年8月28日周一
2023年8月27日周日
2023年8月18日周五
2023年8月11日周五
2023年8月9日周三
2023年8月2日周三
2023年7月27日周四
2023年7月24日周一
2023年7月20日周四
2023年7月12日周三
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6月29日周四
2023年6月27日周二
2023年6月26日周一
2023年6月20日周二
2023年6月16日周五
2023年6月15日周四
2023年6月14日周三
2023年6月13日周二
2023年6月8日周四
2023年6月1日周四
2023年5月27日周六
2023年5月22日周一
2023年5月15日周一
2023年5月4日周四
2023年4月27日周四
2023年4月25日周二
2023年4月20日周四
  1. Aerospace Testing International (aerospacetestinginternational.com)历史资料

    前F1技术总监启动货运eVTOL项目

    专业咨询公司MGI Engineering启动了其货运无人机技术演示项目。MGI首席执行官兼创始人Mike Gascoyne正式揭幕了其功能完整的(披露日:2023-04-20)

2023年4月13日周四