Towards hydrogen-powered electric aircraft: Physics-informed machine learning based multi-domain modeling and real-time digital twin emulation on FPGA
Notice bibliographique
Résumé
In response to environmental concerns related to carbon and nitrogen emissions, hydrogen-powered aircraft (HPA) are poised for significant development over the coming decades, driven by advances in power electronics technology. However, HPA systems present complex multi-domain challenges encompassing electrical, hydraulic, mechanical, and chemical disciplines, necessitating efficient modeling and robust validation platforms. This paper introduces a physics-informed machine learning (PIML) approach for multi-domain HPA system modeling, enhanced by hardware accelerated parallel hardware emulation to construct a real-time digital twin. It delves into the physical analysis of various HPA subsystems, whose equations form the basis for both traditional numerical solution methods like Euler’s and Runge–Kutta methods (RKM), as well as the physics-informed neural networks (PINN) components developed herein. By comparing physics-feature neural networks (PFNN) and PINN with conventional neural network strategies, this paper elucidates their advantages and limitations in practical applications. The final implementation on the Xilinx® UltraScale+™ VCU128 FPGA platform showcases the PIML method’s high efficiency, accuracy, data independence, and adherence to established physical laws, demonstrating its potential for advancing real-time multi-domain HPA emulation. • Comprehensive system integration: This work is at the forefront of modeling a multi-domain hydrogen-powered aircraft system, bringing together diverse complex subsystems into a cohesive framework. This model extends beyond the experimental and conceptual phases of hydrogen-powered aircraft development, offering a detailed simulation of its multi-functional systems. • Enhanced modeling techniques: The paper enhances the utility of the physics-informed machine learning approach by evaluating its performance against conventional electromagnetic transient methods, fully connected neural network, and physics-feature neural networks. This comparison identifies optimal modeling practices based on accuracy, simplicity, and adaptability across various subsystems. • Real-time emulation advancements: By implementing hardware acceleration, the study achieves real-time digital twin emulation of the extensive hydrogen-powered aircraft system, optimizing emulation latency and hardware resource usage while ensuring high accuracy and reduced latency.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».