CN111738481A - 基于bp神经网络的飞机结冰气象参数mvd预测方法 - Google Patents
基于bp神经网络的飞机结冰气象参数mvd预测方法 Download PDFInfo
- Publication number
- CN111738481A CN111738481A CN202010249405.4A CN202010249405A CN111738481A CN 111738481 A CN111738481 A CN 111738481A CN 202010249405 A CN202010249405 A CN 202010249405A CN 111738481 A CN111738481 A CN 111738481A
- Authority
- CN
- China
- Prior art keywords
- icing
- neural network
- mvd
- parameters
- predicting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 3
- 239000012080 ambient air Substances 0.000 abstract 1
- 239000007788 liquid Substances 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公布了一种基于BP神经网络预测结冰气象参数MVD的方法，根据《中国运输类飞机适航标准[CCAR‑25‑R4]》附录C列出的液态水含量LWC、平均有效水滴直径MVD与周围空气温度T三者的关系，计算不同飞行条件下的结冰情况，建立冰厚度随时间变化的结冰厚度数据库；利用结冰厚度数据库对BP神经网络模型进行训练，由实时提供的飞行条件(飞行攻角，飞行速度)、温度以及结冰厚度和结冰时间映射关系作为输入，对结冰气象参数MVD进行预测。本发明提出的基于BP神经网络、结合实时飞行参数和结冰厚度预测MVD的方法精度高，误差较小，并且响应时间短、可实现实时测量，为结冰适航认证提供有效可靠的技术支持，应用前景可观。
Description
技术领域
本发明涉及飞机结冰的适航认证测试技术领域，尤其是一种基于BP神经网络的飞机结冰气象参数MVD预测方法。
背景技术
飞机在穿越含有过冷水滴的结冰云层时，会发生机翼结冰现象，引起飞机气动外形改变，导致气动性能和操稳特性降级，为了保证飞行安全，飞机上一般设计安装了结冰防护系统。实时准确地探测结冰气象参数，能够为防除冰系统的开启和关闭、以及能量分配和控制率的优化提供准确的信息和依据，是节约能耗和提高安全性的重要手段。另外，在飞机结冰适航认证中，对于大气结冰测试环境有一定的要求，大气环境的多变性往往为适航认证造成了很大的困难，不易产生相应的测试环境。实时精确地探测大气结冰环境参数有利于搜寻并提供符合测试条件的结冰环境，为飞机结冰的适航认证测试方法提供另一有效可靠的技术手段。
发明内容
为了解决上述背景技术中的问题，本发明的目的是提供一种基于BP神经网络的通过机翼结冰厚度预测气象参数MVD(平均水滴尺寸Mean Volumetric Diameters)的方法，能够实时精确地探测大气结冰环境参数有利于搜寻并提供符合测试条件的结冰环境，为结冰探测提供技术支持。
本发明基于BP神经网络的飞机结冰气象参数MVD预测方法如下：
首先计算不同机翼外形，不同结冰条件情况下的机翼结冰情况，建立结冰数据库，利用数据库对BP神经网络模型进行训练，训练后的模型可根据输入条件飞行攻角、飞行速度、温度以及结冰厚度和结冰时间映射关系输出MVD，即对MVD进行实时预测。训练和预测步骤如下：
(1)根据《中国运输类飞机适航标准[CCAR-25-R4]》附录C列出的LWC、MVD与T的关系，结合其他飞行参数，随机取值设置不同结冰条件；
(2)计算上述条件下的结冰冰形，通过结冰冰形图获得机翼上测量点处的结冰厚度和结冰时间的映射关系，建立冰厚度数据库；
(3)将结冰数据库中的飞行速度、飞行攻角、温度、结冰时间和测量点处的结冰厚度等参数作为输入条件，气象参数MVD作为输出条件，对BP神经网络模型进行训练；
(4)训练过程中根据预测误差反馈逐渐调整网络结构，直至该神经网络模型能对数据库样本进行准确预测；
(5)实时飞行条件下，通过实时获取步骤(3)中描述的输入参数，将其输入训练好的BP神经网络模型，即可实时预测此时的结冰气象参数MVD。
本发明可以应用于二维或三维问题，通过多点测量冰厚度确定MVD，从而提高本发明的可靠性与准确性。
附图说明
图1为[CCAR-25-R4]附录C中的LWC与T、MVD三者的关系示意图；
图2为三处测量点所在位置及结冰冰形示意图；
图3为BP神经网络基本原理示意图；
图4为不同隐含层节点数时的样本均方差变化图；
图5为本文所训练的BP神经网络结构图；
图6为测试样本相对误差分布图。
具体实施方式
下面结合附图对本发明进行详细说明：
如图1所示，本发明提供一种基于BP神经网络的飞机结冰气象参数MVD预测方法如下：
首先计算不同机翼外形，不同结冰条件情况下的机翼结冰情况，建立结冰数据库，利用数据库对BP神经网络模型进行训练，训练后的模型可根据输入条件飞行攻角、飞行速度、温度以及结冰厚度和结冰时间映射关系输出MVD，即对MVD进行实时预测。训练和预测步骤如下：
(1)根据《中国运输类飞机适航标准[CCAR-25-R4]》附录C列出的LWC、MVD与T的关系，结合其他飞行参数，随机取值设置不同结冰条件；
(2)计算上述条件下的结冰冰形，通过结冰冰形图获得机翼上测量点处的结冰厚度和结冰时间的映射关系，建立冰厚度数据库；
(3)将结冰数据库中的飞行速度、飞行攻角、温度、结冰时间和测量点处的结冰厚度等参数作为输入条件，气象参数MVD作为输出条件，对BP神经网络模型进行训练；
(4)训练过程中根据预测误差反馈逐渐调整网络结构，直至该神经网络模型能对数据库样本进行准确预测；
(5)实时飞行条件下，通过实时获取步骤(3)中描述的输入参数，将其输入训练好的BP神经网络模型，即可实时预测此时的结冰气象参数MVD。
以NACA0012二维翼型为例，对该翼型取三处厚度测量点，分别位于前缘驻点和上下缘弦长的5‰处，总结冰时间为120s，单步结冰时间为15s，下表所示为各项结冰参数的取值范围
表1.数据库样本结冰参数取值范围
上表中除LWC外的4个变量在范围内随机取值，再根据《中国运输类飞机适航标准[CCAR-25-R4]》附录C中LWC、MVD与T三者的关系，如图1所示，由T与MVD查图得出LWC。本例一共取得143组结冰条件。
计算上述143个结冰条件下的冰形，将弦长归一化，图2是某一组结冰条件下的冰形及测量点位置示意图。对每一个冰形，均记录三处测量点处每个单步结冰时间的法向厚度，建立结冰数据库，内含MVD、飞行攻角、飞行速度、温度以及1144条时间-三个结冰厚度映射关系。将这143组数据中的15组用于验证模型准确性，其余128组用于训练模型，验证时将每组样本8个时间步长下的数据分别输入获得输出，再将这8个输出取平均值作为该组样本的预测值。训练和预测前均对所有数据进行归一化处理。
由结冰数据库用于训练神经网络的样本输入条件有当前飞行状态下的飞行速度，飞行攻角，环境温度T，以及结冰时间和对应的三个测量点处的冰厚。图3是BP神经网络的基本原理示意图，BP神经网络的算法思想由基本结构包括输入层(input layer)、隐含层(hide layer)和输出层(output layer)实现，训练步骤分为两步：(1)数据正向输入：权值和阈值初始化之后，网络随机选取一组样本的输入向量进行运算，得到输出层对应的该组样本的输出，并与原样本的期望输出比较得出误差值；(2)误差反向传递：若误差值未达到要求，则将误差反向传递对权值和阈值进行逐层修正。完成修正后，随机选取下一组数据继续上述过程，直至输出误差达到预设值或趋于稳定。全部样本数据训练完毕后，将未参与训练的测试样本输入神经网络以获得预测输出，对比误差值判定该神经网络的性能以及预测精度。
隐含层神经元个数是影响神经网络性能的主要参数，数量过少不能准确预测，数量过多会减弱网络的泛化能力，出现过拟合现象，也会影响预测精确度。通常隐含层神经元个数的确定依靠经验公式给出初始值，再逐渐增加试验，观察训练样本的均方差MSE来确定，当MSE 趋于稳定时，可判定此时隐含层神经元个数为最佳，图4为本例确定最佳隐含层神经元个数的计算结果图，可以看出本例最佳隐含层节点个数为14，输入层到隐含层传递函数选用双曲正切函数tansig：
隐含层到输出层传递函数选用线性函数purelin：
y＝purelin(x)＝x (2)
训练函数选取Levenberg-Marquardt算法，该算法结合高斯--牛顿算法和梯度下降法的优点，具有较快的收敛速度。e(X)表示每个输入样本在输出层的残差，X为权值和阈值组成的向量， XN表示第N次迭代，则基本算法可表示为
XN+1＝XN-(JTJ+λE)-1JTe(X) (3)
式中：E为单位矩阵；λ为正数，在迭代中不断调整，使JTJ+λE保持正定矩阵；J是一个L×K的雅各比矩阵，L为输出层单元数，K为X向量维度。图5为本例中BP神经网络结构图。
为验证本方法的有效性和准确性，将上文所述的15组样本输入该模型进行测试，样本各项参数及预测误差见表2，相对误差分布图如图6所示：
表2.测试样本结冰参数及预测误差
由上表可知反推出的MVD值比较准确，误差较小，稳定性好，本方法所得结果有效可靠。
本发明可以应用于二维或三维问题，通过多点测量冰厚度确定MVD，从而提高本发明的可靠性与准确性。
上述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和调整，这些改进和调整也应视为本发明的保护范围。
Claims (7)
1.一种基于BP神经网络预测结冰气象参数MVD的方法，其特征在于：所述方法包括以下步骤：
步骤一，计算不同机翼外形，不同结冰条件情况下的机翼结冰情况，建立结冰数据库；
步骤二，利用所述数据库对BP神经网络模型进行训练；
步骤三，训练后的模型根据输入条件飞行攻角、飞行速度、温度以及结冰厚度和结冰时间映射关系输出MVD，即对MVD进行实时预测。
2.根据权利要求1所述的一种基于BP神经网络预测结冰气象参数MVD的方法，其特征在于：所述步骤一具体包括以下过程：
步骤1.1，根据国家标准，结合飞行参数，随机取值设置不同结冰条件；
步骤1.2，计算上述条件下的结冰冰形，通过结冰冰形图获得机翼上测量点处的结冰厚度和结冰时间的映射关系，建立冰厚度数据库。
3.根据权利要求1所述的一种基于BP神经网络预测结冰气象参数MVD的方法，其特征在于：所述步骤二具体为，
步骤2.1，将所述数据库中的飞行速度、飞行攻角、温度、结冰时间和测量点处的结冰厚度的参数作为输入条件，气象参数MVD作为输出条件，对BP神经网络模型进行训练；
步骤2.2，训练过程中根据预测误差反馈逐渐调整网络结构，直至该神经网络模型能对数据库样本进行准确预测。
4.根据权利要求3所述的一种基于BP神经网络预测结冰气象参数MVD的方法，其特征在于：所述步骤三具体为，实时飞行条件下，通过实时获取步骤2.1中描述的输入参数，将其输入训练好的BP神经网络模型，即可实时预测此时的结冰气象参数MVD。
5.根据权利要求2所述的一种基于BP神经网络预测结冰气象参数MVD的方法，其特征在于：步骤1.1中的国家标准指《中国运输类飞机适航标准[CCAR-25-R4]》附录C列出的LWC、MVD与T的关系。
6.根据权利要求3所述的一种基于BP神经网络预测结冰气象参数MVD的方法，其特征在于：所述BP神经网络包括输入层input layer、隐含层hide layer和输出层output layer实现；训练步骤分为两步：
a.数据正向输入：权值和阈值初始化之后，网络随机选取一组样本的输入向量进行运算，得到输出层对应的该组样本的输出，并与原样本的期望输出比较得出误差值；
b.误差反向传递：若误差值未达到要求，则将误差反向传递对权值和阈值进行逐层修正。
7.根据权利要求6所述的一种基于BP神经网络预测结冰气象参数MVD的方法，其特征在于：输入层到隐含层传递函数选用双曲正切函数tansig：
隐含层到输出层传递函数选用线性函数purelin：
y＝purelin(x)＝x (2)
训练函数选取Levenberg-Marquardt算法，e(X)表示每个输入样本在输出层的残差，X为权值和阈值组成的向量，XN表示第N次迭代，基本算法可表示为
XN+1＝XN-(JTJ+λE)-1JTe(X) (3)
式中：E为单位矩阵；λ为正数，在迭代中不断调整，使JTJ+λE保持正定矩阵；J是一个L×K的雅各比矩阵，L为输出层单元数，K为X向量维度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010249405.4A CN111738481A (zh) | 2020-04-01 | 2020-04-01 | 基于bp神经网络的飞机结冰气象参数mvd预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010249405.4A CN111738481A (zh) | 2020-04-01 | 2020-04-01 | 基于bp神经网络的飞机结冰气象参数mvd预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111738481A true CN111738481A (zh) | 2020-10-02 |
Family
ID=72646859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010249405.4A Pending CN111738481A (zh) | 2020-04-01 | 2020-04-01 | 基于bp神经网络的飞机结冰气象参数mvd预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111738481A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112429252A (zh) * | 2020-11-24 | 2021-03-02 | 中国人民解放军空军预警学院 | 一种基于pca算法的飞行紧急事件预测方法 |
| CN112507572A (zh) * | 2021-02-07 | 2021-03-16 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种过冷大水滴结冰条件的优化匹配评估方法 |
| CN112682276A (zh) * | 2020-12-03 | 2021-04-20 | 湖南防灾科技有限公司 | 风机叶片覆冰状态预测方法、装置、介质和电子设备 |
| CN112966692A (zh) * | 2020-12-23 | 2021-06-15 | 中国人民解放军空军工程大学 | 一种基于图像识别的飞机机翼、平尾结冰实时探测方法 |
| CN113420503A (zh) * | 2021-06-11 | 2021-09-21 | 中国民航大学 | 基于温度序列相似性度量的积冰检测方法、系统、终端及应用 |
| CN113962028A (zh) * | 2021-11-12 | 2022-01-21 | 北京航空航天大学 | 一种考虑结冰影响的无人机气动导数辨识方法 |
| CN114154353A (zh) * | 2022-02-07 | 2022-03-08 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种光纤结冰探测传感器数据重构方法、系统及存储介质 |
| CN114297807A (zh) * | 2022-03-09 | 2022-04-08 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种防冰系统笛形管结构参数优化方法 |
| CN114757109A (zh) * | 2022-06-14 | 2022-07-15 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种进气道内外结冰参数关系的测试方法、系统和用途 |
| CN114877837A (zh) * | 2022-07-11 | 2022-08-09 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种基于远场声压级变化的结冰厚度测量方法及系统 |
| CN114970308A (zh) * | 2021-12-30 | 2022-08-30 | 成都流体动力创新中心 | 一种飞机结冰预测方法、系统及计算机程序产品 |
| CN115416854A (zh) * | 2022-11-07 | 2022-12-02 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种基于温度测量的结冰探测装置及结冰探测方法 |
| CN115857059A (zh) * | 2022-11-24 | 2023-03-28 | 中国民航科学技术研究院 | 一种积冰预报管理方法、系统、可读存储介质和设备 |
| CN117093953A (zh) * | 2023-10-20 | 2023-11-21 | 成都流体动力创新中心 | 一种多气象要素融合的飞机结冰快速修正预测方法和系统 |
| CN117104529A (zh) * | 2023-10-23 | 2023-11-24 | 成都流体动力创新中心 | 一种应用于飞机过冷大水滴结冰的潜势预报方法及系统 |
| CN117493738A (zh) * | 2023-12-28 | 2024-02-02 | 成都流体动力创新中心 | 一种基于结冰数值仿真的飞机结冰程度预报方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102706389A (zh) * | 2012-06-19 | 2012-10-03 | 中国民航大学 | 采用滚动预测的飞机表面积冰短时预报系统及预报方法 |
| US10214294B1 (en) * | 2015-08-21 | 2019-02-26 | Blue Storm Associates, Inc. | Method and system for predicting potential icing conditions |
| CN109767518A (zh) * | 2018-12-14 | 2019-05-17 | 南京航空航天大学 | 基于机翼结冰厚度确定气象参数mvd的反推方法 |
-
2020
- 2020-04-01 CN CN202010249405.4A patent/CN111738481A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102706389A (zh) * | 2012-06-19 | 2012-10-03 | 中国民航大学 | 采用滚动预测的飞机表面积冰短时预报系统及预报方法 |
| US10214294B1 (en) * | 2015-08-21 | 2019-02-26 | Blue Storm Associates, Inc. | Method and system for predicting potential icing conditions |
| CN109767518A (zh) * | 2018-12-14 | 2019-05-17 | 南京航空航天大学 | 基于机翼结冰厚度确定气象参数mvd的反推方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张强;高正红;: "基于神经网络的翼型积冰预测", 飞行力学, no. 02 * |
| 李珺: "基于神经网络的机翼积冰冰形预测研究", 中国优秀硕士学位论文全文数据库, no. 2012, pages 1 - 48 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112429252A (zh) * | 2020-11-24 | 2021-03-02 | 中国人民解放军空军预警学院 | 一种基于pca算法的飞行紧急事件预测方法 |
| CN112682276A (zh) * | 2020-12-03 | 2021-04-20 | 湖南防灾科技有限公司 | 风机叶片覆冰状态预测方法、装置、介质和电子设备 |
| CN112966692A (zh) * | 2020-12-23 | 2021-06-15 | 中国人民解放军空军工程大学 | 一种基于图像识别的飞机机翼、平尾结冰实时探测方法 |
| CN112507572A (zh) * | 2021-02-07 | 2021-03-16 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种过冷大水滴结冰条件的优化匹配评估方法 |
| CN112507572B (zh) * | 2021-02-07 | 2021-04-30 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种过冷大水滴结冰条件的优化匹配评估方法 |
| CN113420503A (zh) * | 2021-06-11 | 2021-09-21 | 中国民航大学 | 基于温度序列相似性度量的积冰检测方法、系统、终端及应用 |
| CN113962028A (zh) * | 2021-11-12 | 2022-01-21 | 北京航空航天大学 | 一种考虑结冰影响的无人机气动导数辨识方法 |
| CN113962028B (zh) * | 2021-11-12 | 2024-04-30 | 北京航空航天大学 | 一种考虑结冰影响的无人机气动导数辨识方法 |
| CN114970308A (zh) * | 2021-12-30 | 2022-08-30 | 成都流体动力创新中心 | 一种飞机结冰预测方法、系统及计算机程序产品 |
| CN114154353A (zh) * | 2022-02-07 | 2022-03-08 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种光纤结冰探测传感器数据重构方法、系统及存储介质 |
| CN114154353B (zh) * | 2022-02-07 | 2022-04-12 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种光纤结冰探测传感器数据重构方法、系统及存储介质 |
| CN114297807A (zh) * | 2022-03-09 | 2022-04-08 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种防冰系统笛形管结构参数优化方法 |
| CN114757109B (zh) * | 2022-06-14 | 2022-08-23 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种进气道内外结冰参数关系的测试方法、系统 |
| CN114757109A (zh) * | 2022-06-14 | 2022-07-15 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种进气道内外结冰参数关系的测试方法、系统和用途 |
| CN114877837A (zh) * | 2022-07-11 | 2022-08-09 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种基于远场声压级变化的结冰厚度测量方法及系统 |
| CN114877837B (zh) * | 2022-07-11 | 2022-09-09 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种基于远场声压级变化的结冰厚度测量方法及系统 |
| CN115416854A (zh) * | 2022-11-07 | 2022-12-02 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种基于温度测量的结冰探测装置及结冰探测方法 |
| CN115857059A (zh) * | 2022-11-24 | 2023-03-28 | 中国民航科学技术研究院 | 一种积冰预报管理方法、系统、可读存储介质和设备 |
| CN115857059B (zh) * | 2022-11-24 | 2023-07-07 | 中国民航科学技术研究院 | 一种积冰预报管理方法、系统、可读存储介质和设备 |
| CN117093953A (zh) * | 2023-10-20 | 2023-11-21 | 成都流体动力创新中心 | 一种多气象要素融合的飞机结冰快速修正预测方法和系统 |
| CN117093953B (zh) * | 2023-10-20 | 2023-12-19 | 成都流体动力创新中心 | 一种多气象要素融合的飞机结冰快速修正预测方法和系统 |
| CN117104529A (zh) * | 2023-10-23 | 2023-11-24 | 成都流体动力创新中心 | 一种应用于飞机过冷大水滴结冰的潜势预报方法及系统 |
| CN117104529B (zh) * | 2023-10-23 | 2023-12-29 | 成都流体动力创新中心 | 一种应用于飞机过冷大水滴结冰的潜势预报方法及系统 |
| CN117493738A (zh) * | 2023-12-28 | 2024-02-02 | 成都流体动力创新中心 | 一种基于结冰数值仿真的飞机结冰程度预报方法及系统 |
| CN117493738B (zh) * | 2023-12-28 | 2024-04-05 | 成都流体动力创新中心 | 一种基于结冰数值仿真的飞机结冰程度预报方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738481A (zh) | 基于bp神经网络的飞机结冰气象参数mvd预测方法 | |
| CN109767518B (zh) | 基于机翼结冰厚度确定气象参数mvd的反推方法 | |
| CN111414991B (zh) | 一种基于多元回归的气象锋面自动识别方法 | |
| CN110879127A (zh) | 一种基于翼面的耦合式结冰探测装置及其方法 | |
| CN110641726A (zh) | 一种快速确定飞机机翼安装角的方法 | |
| McClain et al. | Characterization of ice roughness variations in scaled glaze icing conditions | |
| CN107677444A (zh) | 一种测量冰风洞云雾均匀性的方法 | |
| CN111159817A (zh) | 一种结冰风洞试验用的混合缩比机翼翼型设计方法 | |
| CN113420503A (zh) | 基于温度序列相似性度量的积冰检测方法、系统、终端及应用 | |
| Broeren et al. | Independent Effects of Reynolds and Mach Numbers on the Aerodynamics of an Iced Swept Wing | |
| CN115507734A (zh) | 一种基于压电阵列的结冰三维成像方法 | |
| Chyczewski et al. | Summary of the First AIAA Stability and Control Prediction Workshop | |
| CN109581381B (zh) | 基于垂直载荷因子的增强型湍流检测方法 | |
| CN111400826A (zh) | 一种任意时刻冰形预测方法及系统 | |
| Neel Jr et al. | The calculation of the heat required for wing thermal ice prevention in specified icing conditions | |
| Petterson | Low-speed aerodynamic and flowfield characteristics of a UCAV | |
| CN113110558B (zh) | 一种混合推进无人机需求功率预测方法 | |
| CN114486820A (zh) | 一种机载微波辐射计云中过冷水的反演方法 | |
| CN105628333B (zh) | 一种高空高马赫数条件下的气动误差确定方法 | |
| CN114880947A (zh) | 基于遗传算法优化Elman神经网络的气象参数预测方法 | |
| CN105468916A (zh) | 一种基于概率模型的飞机结冰强度指数预测方法 | |
| McClain et al. | Ice Accretion Roughness Variations on a Hybrid CRM65-Midspan Wing Model | |
| Huang et al. | Aircraft Departure Fuel Consumption Improvement Model Based On Flight Data | |
| Strunin | Estimation of Accuracy of Temperature and Wind Measurements in the AMDAR System Using the Yak-42D “Roshydromet” Research Aircraft Data | |
| Son et al. | Quantitative investigation into the relationship between ice accretion shape and ambient conditions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |