Physics-Informed Graph Neural Network for Flight Dynamics Modeling

Ma, Liang

doi:10.3390/aerospace13050471

Physics-Informed Graph Neural Network for Flight Dynamics Modeling

2026-05-16

0

PRE

AI

DOI：10.3390/aerospace13050471

原文链接

原文求助

摘要

En 中文

飞行力学建模是飞机设计、仿真和控制的基础基石。传统方法依赖气动查表进行数值积分，存在数据采集成本高、外推能力差、难以同化飞行试验数据等问题。本文提出了一种将物理信息神经网络（PINNs）、图神经网络（GNNs）和已知飞行力学方程架构集成的飞行力学建模方法。该方法无需气动系数标签，利用状态转移数据预测飞行状态导数。该途径将飞行力学方程的结构知识编码到图拓扑和物理计算层（PhysicsLayer）中，使神经网络仅需学习未知气动系数，其余物理关系均由控制方程计算。以F-16战斗机六自由度模型为验证平台，开展了涉及Direct-MLP、PINN、PIGNN和GNN的消融研究。结果表明，PIGNN架构相比Direct-MLP、纯PINN和GNN，单步导数预测精度分别提高了86.6%、60.9%和90.8%。在499步（约5秒）滚动状态预测中，PIGNN核心RMSE为1.1554，前100步内近似线性误差增长表明短程误差累积得到良好控制。图结构先验使网络能学习到与F-16参考气动数据库高度匹配的气动系数，而无需气动系数监督。结果表明，结合图基依赖建模与硬物理约束对于可解释的飞行力学代理建模是有效的。

Keyword:

flight dynamics modeling

physics-informed neural network

graph neural network

aerodynamic coefficient prediction

flight simulation

Physics-Informed Graph Neural Network for Flight Dynamics Modeling

摘要

期刊

机构

引用论文