CRJ 700 Aerodynamic Coefficients Identification in Dynamic Stall Conditions using Neural Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
View Video Presentation: https://doi.org/10.2514/6.2022-2577.vid This paper presents a methodology to predict aircraft aerodynamic coefficients in both linear and non-linear stall conditions along the hysteresis curve, using Neural Networks. The variations of the lift and drag aerodynamic coefficients were estimated during an aircraft stall maneuver. A Level-D Bombardier CRJ-700 Virtual Research Simulator (VRESIM), designed and manufactured by CAE Inc. and Bombardier, was used to gather flight test data in both linear and non-linear stall phases. According to the Federal Aviation Administration (FAA), the Level-D is the highest certification level for the flight dynamics model of an aircraft, which means that its flight dynamics data is very close to real aircraft flight dynamics data. These data are then used to create a database of aerodynamics coefficients for the complete flight envelope of the aircraft. Multilayer Perceptron (MLP) and Recurrent Neural Networks (RNN) were trained to learn the aerodynamic coefficients and their correlation with flight parameters. The choice of the neural network hyperparameters is also explained. Finally, the obtained models are validated by comparing the predicted aerodynamic coefficients with their corresponding experimental data from the Level-D Bombardier CRJ 700 flight simulator. The results obtained showed that both MLP and RNN were able to predict the lift and drag aerodynamic coefficients with an average relative error of 2 %.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle