Método de identificación de parámetros aerodinámicos basado en redes neuronales profundas basadas en la física

Área de la Ciencia:

• Ingeniería Aeroespacial
• Dinámica de fluidos computacional
• Aprendizaje automático

Sus antecedentes:

• La estimación precisa de los parámetros aerodinámicos es crucial para la dinámica y el control de vuelo.
• Los parámetros aerodinámicos del mundo real a menudo se desvían de los valores nominales debido a varios factores, lo que requiere métodos de identificación sólidos.

Objetivo del estudio:

• Desarrollar y validar un nuevo método de identificación de parámetros aerodinámicos para la estimación precisa de las perturbaciones.
• Mejorar la capacidad de ajuste y la precisión de la identificación de parámetros aerodinámicos utilizando arquitecturas avanzadas de redes neuronales.

Principales métodos:

• Proponer una red neuronal de función profunda basada en la física (PIRBF-DNN) para la identificación de parámetros aerodinámicos.
• Utilizando una función de pérdida basada en la integración dentro del PIRBF-DNN para estimar con precisión las perturbaciones de los parámetros.
• Empleando una estructura de red neuronal de función profunda (RBF-DNN) para mejorar las capacidades de ajuste de la red.

Principales resultados:

• El método PIRBF-DNN demostró una estimación precisa de las perturbaciones de los parámetros aerodinámicos en la simulación.
• La validación en diferentes escenarios confirmó la eficacia de la técnica de identificación propuesta.
• El análisis comparativo mostró un rendimiento superior en comparación con los métodos existentes basados en redes neuronales basadas en la física (PINN).

Conclusiones:

• El PIRBF-DNN ofrece un enfoque potente y preciso para identificar las perturbaciones de los parámetros aerodinámicos.
• Este método mejora la fiabilidad de los modelos aerodinámicos al tener en cuenta las variaciones de los parámetros del mundo real.
• El estudio destaca el potencial de la integración de redes neuronales basadas en la física con RBF-DNNs para la identificación de sistemas complejos.