相关实验视频
Updated: Apr 29, 2026
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
12.5K
透过深度学习,了解无人水下车辆系统的灵活生物灵感
Brian Zhou1,2, Kamal Viswanath1, Jason Geder1
1Laboratories for Computational Physics and Fluid Dynamics, United States Naval Research Laboratory, Washington, DC 20375, USA.
Biomimetics (Basel, Switzerland)
|July 26, 2024
概括
研究人员开发了先进的神经网络模型,以预测生物灵感无人潜水车 (UUV) 的性能. 这些模型优化了的刚性和动力学,大大提高了水下任务的推力和效率.
科学领域:
- 机器人与机械工程 机器人与机械工程
- 生物模拟设计的设计
- 流体动力学 流体动力学
背景情况:
- 生物启发的无人水下车辆 (UUV) 与传统设计相比,提供了更好的机动性.
- 现有的研究利用神经网络来根据设计和动力学预测UUV推力和功率.
- 的材料特性对于优化性能至关重要,但尚未完全整合到预测模型中.
研究的目的:
- 开发新的前进神经网络模型,将细材料的刚性纳入其中.
- 为了预测动力性能,推力和功率,在各种翅膀走法和材料的频谱中.
- 提高材料和动力学的选择,以提高UUV效率和范围.
主要方法:
- 创建了新的前置神经网络模型,以模拟片材料的刚性效应.
- 经过验证的模型使用持久数据来预测未见的步态的推力和功率.
- 使用非维度功率图 (FOM) 来评估推进效率并比较设计.
主要成果:
- 开发的模型准确地预测各种子参数的推力和功率,具有高分辨率.
- 显著改善:推力增加83.89%,效率增加137.58%.
- 确定了最大限度地提高推力和FOM的最佳硬度和动力学.
结论:
- 神经网络模型有效地捕捉了材料,动力学和UUV性能之间的关系.
- 优化的材料选择和动力设计可以大大提高UUV的推力和效率.
- 这项研究为改善生物灵感设计的途径提供了一条途径,用于扩展水下作业.
