Bioinspired Aerodynamic Load Estimation for UCAVs in Turbulent Environments
Notice bibliographique
Résumé
Small aircraft carriers play a crucial role in military navigation and field intelligence. Unmanned Combat Aerial Vehicles (UCAVs) have emerged as indispensable tools for various military operations. However, the efficacy of UCAV operations is often hampered by the turbulent conditions generated by oceanic gusts. To enhance the reliability and autonomy of these systems, this research focuses on advancing aerodynamic load estimation techniques.
 Many biological systems employ sensory systems to collect environmental feedback to improve predation and avoid attack. Examples include the proprioception exhibited in bird feathers and the lateral line function in fish. Drawing inspiration from these biological models, a system of sensors is employed to achieve more precise estimations of the UCAV aerodynamic state and therefore train an existing Multi-Layer Perception Artificial Neural Network (MLP ANN) to respond to the environment.
 A series of experiments were conducted on a non-slender delta-wing model of NACA 0012 mounted on a force/moment sensor and exposed to varying flow conditions in a controlled setup called the WindShaper. To simulate gusty environments, the WindShaper produced unsteady random axial gusts ranging from 5m/s to 15m/s. A total of 100 sets of data, consisting of 60000 data points were collected and used to train the MLP ANN.
 Statistical methods were employed to distinguish valid and edge cases within the datasets. From analyzing the outputs generated by the MLP ANN, it was determined that there exists an importance in collecting data of high quality. These analyses identify factors affecting model performance and highlight specific challenges that hinder accurate gust prediction. The utilization of advanced neural network methodologies as a technique for load estimation has significant implications for naval aviation, aerodynamics, and their related autonomous systems. This research contributes to the development of more robust UCAV operations in challenging environments.
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.
Comment cette classification a été obtenuedéplier
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».