.png){kind=icon}
返回
Optimizing Gas Turbine Engine Thrust Predictions for UAV Propulsion System Using Regularized Regression Techniques
.png){kind=icon}
PRE
AI
DOI：10.1061/JAEEEZ.ASENG-6356.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精确的推力预测对于优化和控制无人机（UAV）推进系统中的燃气轮机发动机至关重要，其中效率与可靠性是关键因素。运行参数与推力输出之间的非线性及复杂相互作用给传统预测模型带来了显著挑战。本研究探讨了先进的正则化技术，特别是最小绝对收缩与选择算子（LASSO）、岭回归和弹性网络，以建立标准涡轮发动机的推力特性模型。利用在艾哈迈达巴德基础设施技术研究和管理学院搭建的实验测试台架，收集了40,000至90,000 RPM宽运行范围内的数据。数据集被系统性地划分为训练集和验证集，并严格评估了各模型在不同输入条件下预测推力的能力。在这些技术中，岭回归模型通过有效管理模型正则化，在预测精度和鲁棒性方面优于LASSO和弹性网络。这些发现强调了岭回归作为涡轮基推进系统推力预测的有效工具的潜力，提供了一种数据驱动的解决方案，可在动态运行条件下显著提升无人机的设计与性能优化。
Keyword:
SELECTION
期刊
J
IF:
1.6
论文数:
81
被引数:
0
机构
暂无机构信息
引用论文
分享收藏An ensemble of dynamic neural network identifiers for fault detection and isolation of gas turbine engines.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏分享收藏
Modeling a Practical Dual-Fuel Gas Turbine Power Generation System Using Dynamic Neural Network and Deep LearningSUSTAINABILITY
OAAI
SUSTAINABILITYIF3.3
OAAI分享收藏
查看更多内容