AeroPowerNet: Fixed-Wing UAV Power Consumption Estimation with an AI-Driven Hybrid Deep Learning Framework
Notice bibliographique
Résumé
The instantaneous power consumption of electric-powered aerial vehicles in the aviation industry is crucial for optimizing flight activities. However, devising physics-based power consumption models requires deep insight into the dynamics of an unmanned aerial vehicle (UAV). This becomes challenging due to the variability and complexity of the parameters of airspeed, altitude, and motion of the flight controls. Therefore, a power consumption model is needed to map the influence of flight parameters on power utilization during varying flight phases. This model is crucial for mission planning, optimization, and extending the endurance of UAVs. This study introduces the AeroPowerNet framework, employing a data-driven approach based on deep learning to model UAV power consumption utilizing real-world flight data, which can serve as a foundation for future integration into fixed-wing UAV flight operations. We implemented a test of four different models: RNN-LSTM, GRU, Transformer, and a hybrid model, which were trained and compared. Experimental results show that the hybrid model outperforms all other models, achieving the best performance with MAE of 3.38W, R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> of 99.31%, and NRMSE of 0.21% for the first UAV flight, and an MAE of 7.52W, R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> of 96.68%, and NRMSE of 1.03% for the second flight.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».