.png){kind=icon}
返回
Physics-Informed Gaussian Processes for Efficient Envelope Expansion
.png){kind=icon}
PRE
AI
DOI：10.2514/1.I011606.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
飞行试验分析通常需要预设具有任意严格公差的测试点，导致实验活动广泛且资源密集。为解决此挑战，我们提出了一种新颖的飞行试验分析方法，利用具有物理信息均值函数的高斯过程（GPs）从任意飞行试验数据中估计气动量，并通过与美国空军试飞员学校合作收集的真实T-38飞机数据进行了验证。我们通过在不要求预设或重复飞行试验点的情况下估计俯仰力矩系数C-m来展示该方法，显著减少了大规模实验活动的需求。我们的方法将气动模型作为先验纳入高斯过程框架中，增强了不同飞行条件下的预测精度，并提供了稳健的不确定性量化。主要贡献包括将基于物理的先验整合到概率模型中，允许从任意飞行试验机动中精确计算，并展示了该方法能够捕捉相关动态特性（如短周期模态行为）。所提出的框架为高效的数据驱动飞行试验分析提供了一种可扩展且通用的解决方案，能够准确预测T-38在多个马赫数和动压剖面下的短周期频率和阻尼。
Keyword:
Air Force Flight Test Center
Aerodynamic Force Coefficients
Uncertainty Quantification
Aerodynamic Performance
Data Driven Model
Gaussian Process
Surrogate Model
Bayesian Optimization
Artificial Intelligence
Digital Twins
期刊
IF:
1.5
论文数:
71
被引数:
987
机构
引用论文
Nonlinear system identification in structural dynamics: 10 more years of progress结构动力学中的非线性系统识别: 10多年的进展
.png){kind=icon}
PREAI
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏Discovering governing equations from data by sparse identification of nonlinear dynamical systems通过非线性动力系统的稀疏识别从数据中发现控制方程OAAI
OAAI分享收藏分享收藏
查看更多内容