Data-driven torque identification of turboprop engines using optimized feedforward neural networks
Notice bibliographique
Résumé
This paper presents a research methodology for identifying the Pratt & Whitney Canada PW127G turboprop engine from simulation data using optimized feedforward neural networks (FNN). A set of measurable variables - ground speed, throttle lever angle, pressure altitude , high-pressure spool speed , and propeller speed - is used to predict normalized engine torque, providing a surrogate engine model suitable for integration into flight simulators. The methodology follows a two-stage strategy. First, a baseline L-BFGS–trained FNN is combined with two architecture-search methods, Extended Great Deluge (EGD) and Bayesian Optimization (BO). On the turboprop dataset, BO achieves a lower test RMSE than EGD and is therefore selected as the preferred architecture optimization strategy. Second, BO is fixed and used to optimize two FNN configurations: Baseline FNN with inputs (ground speed, throttle lever angle, pressure altitude , propeller speed ) and Core-Enhanced FNN additionally including high-pressure spool speed . The optimized Core-Enhanced FNN significantly reduces the root mean square error from 1.066 to 0.4834 on testing data, corresponding to an average error reduction of about 55% compared with Baseline FNN, and also decreases mean relative error and error variance, confirming the importance of core-speed information for high-fidelity torque prediction. The results demonstrate that L-BFGS–trained FNNs, combined with BO-based architecture search and simulation-derived data, provide an effective and computationally efficient surrogate engine model for turboprop torque (and indirectly thrust) estimation in advanced flight simulation and training applications.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| 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 | 0,000 |
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 ».