New Methodology for Aerodynamic Forces Calculations in Unmanned Aerial Systems Optimization Design
Notice bibliographique
Résumé
This study presents AeroStreamPy, a Python-based aerodynamic modeling tool developed to meet the specific design needs of Unmanned Aerial Vehicles (UAVs). Traditional aerodynamic models like Digital Datcom and FDerivatives, while valuable, lack the flexibility and accuracy required for UAV-specific components such as tail booms and complex wing geometries. Physics-based models, including Computational Fluid Dynamics (CFD), provide high fidelity but are resource-intensive, limiting their practicality for rapid UAV design and optimization. AeroStreamPy bridges this gap by combining empirical methods with physics-based potential flow techniques, offering a mid-fidelity model suited for UAV applications. Key features include OpenVSPAero and Athena Vortex Lattice (AVL) for efficient modeling of wings, fuselages, and nacelles under incompressible, inviscid flow, with adjustments for turbulence drag and compressibility effects up to Mach divergence. Validation studies demonstrate AeroStreamPy’s accuracy in calculating aerodynamic coefficients, with ongoing efforts to refine induced drag and interference modeling. Future work aims to integrate AeroStreamPy into optimization processes, and train a neural network-based surrogate model to significantly reduce computational time, enhancing UAV design and performance evaluation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».