CN115033977A - 一种基于神经网络技术的地面实测脉动压力参数辨识方法 - Google Patents
一种基于神经网络技术的地面实测脉动压力参数辨识方法 Download PDFInfo
- Publication number
- CN115033977A CN115033977A CN202210398068.4A CN202210398068A CN115033977A CN 115033977 A CN115033977 A CN 115033977A CN 202210398068 A CN202210398068 A CN 202210398068A CN 115033977 A CN115033977 A CN 115033977A
- Authority
- CN
- China
- Prior art keywords
- neural network
- pulsating pressure
- pressure
- pulsating
- data
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明公开的一种基于神经网络技术的地面实测脉动压力参数辨识方法,属于飞行器气动参数辨识领域。本发明利用经典Corcos模型和模拟传感器获取不同气流参数条件下包含背景噪声的脉动压力原始数据作为训练样本;通过深度学习建立起脉动压力原始数据与空间波束的映射关系;然后利用神经网络模型获取新的来流条件下的脉动压力空间波数辨识数值,进而得到消除背景噪声的脉动压力。本发明能够在不增加吸声结构的情况下,方便快捷地分离脉动压力与背景噪声。本发明通过引入“模拟传感器”,离散化脉动压力空间分布,“模拟传感器”本质为计算点位,不存在传统传感器的尺寸、位置、型号等安装问题而导致无法测量的限制,能够拓展风洞试验应用范围。
Description
技术领域
本发明涉及一种基于神经网络技术的地面实测脉动压力参数辨识方法,属于飞行器气动参数辨识领域。
背景技术
飞行器高速飞行过程中,湍流边界层引起较大的脉动压力会造成剧烈的结构振动与严酷的机舱噪声环境,影响飞行器的结构安全和飞行稳定性。开展飞行器壁面脉动压力特性及规律研究是飞行器安全设计的基本要求。当前对于飞行器壁面脉动压力的预测研究主要采用理论计算、风洞试验和飞行器试验三种方法。受限于雷诺数效应的影响,高保真的整机脉动压力数值模拟由于计算量过大目前还不现实。飞行试验由于其过高的试验成本也不可能广泛应用于飞行器脉动压力预测。因此,工程上对飞行器脉动压力的评估还多依赖于风洞试验方法。
通过风洞试验获取飞行器脉动压力参数主要有数据采集、数据分析、参数辨识三个步骤。数据采集阶段,得益于现代测试手段的不断发展与进步,传感器品质、数据采集记录速度、信号传输与处理等,都具备精度高、速度快等特点,能够满足测试需求。但试验采集的数据受到风洞洞壁干扰和支架干扰的影响,会产生严重的数据偏差,甚至导致试验结果作废,这对数据分析与参数辨识提出了一定的挑战。虽然可以通过增加吸声结构的方法降低背景噪声的干扰,但会进一步增加试验成本。如何通过高效、经济的数据处理方法,准确、快速地将真实的飞行器脉动压力参数从原始试验数据中分离,成为试验科研人员急需解决的问题。
发明内容
针对目前所采集的试验数据受到干扰影响的现实情况,本发明的主要目的是提供一种基于神经网络技术的地面实测脉动压力参数辨识方法,能方便、快捷地分离脉动压力与背景噪声,并通数据处理消除噪声的影响。
本发明的目的是通过以下技术方案实现的:
本发明公开的一种基于神经网络技术的地面实测脉动压力参数辨识方法,首先采用经典Corcos模型和“模拟传感器”离散化脉动压力空间分布,获取不同气流参数条件下包含背景噪声的脉动压力原始数据作为训练样本;然后利用抽样样本训练过程中的迭代结果,优化神经网络初始值的选取;接着通过深度学习建立起脉动压力原始数据与空间波束的映射关系;最后利用神经网络模型获取新的来流条件下的脉动压力空间波数辨识数值,进而得到消除背景噪声的脉动压力。可在不增加吸声结构、不涉及计算流体力学的情况下,方便快捷地分离脉动压力与背景噪声。
本发明公开的一种基于神经网络技术的地面实测脉动压力参数辨识方法,包括以下步骤:
步骤一:训练样本生成,利用经典Corcos模型模拟不同气流参数条件下包含背景噪声的脉动压力,利用“模拟传感器”离散化脉动压力空间分布,建立脉动压力输入训练样本,设定脉动压力空间波数目标样本;
模拟传感器是指在测定范围内对脉动压力的幅值进行计算的点位,与在地面实测试验中真实传感器功能相似,但在数值分析过程中不存在实体。通过模拟传感器可将整体的脉动压力空间分布离散成为一系列壁面脉动压力幅值数据,转化为可利用神经网络分析的数据合集。
实测脉动压力数据包括:脉动压力幅值与扰动速度、背景噪声幅值、声速度、频率和衰减率,所述的经典Corcos模型描述壁面压力波动的表达式如下所示:
其中Uc为扰动速度,ω为角速度,x和y分别为流向和展向,ξx和ξy分别表示平板上两个任意点在x和y方向上的距离,αx和αy分别是x和y方向上的衰减率,SPP表示壁面压力脉动的幅值。
步骤二:神经网络初始化,根据抽样样本训练过程中的迭代结果,选取神经网络初始值,再输入步骤一中获取的部分脉动压力幅值数据,所述的数据是指一系列模拟传感器所获得的壁面脉动压力幅值,以步骤一中对应的脉动压力空间波数作为目标数据,利用径向基神经网络进行训练;
针对脉动压力参数辨识问题选择人工神经网络,由于脉动压力参数辨识本质为通过非线性函数映射进行分类识别,选取径向基神经网络进行训练,进而得到脉动压力参数辨识模型进行参数识别;
由于训练样本数据量较大,预先采用抽样样本进行试算,缩小神经网络初始值的范围,选取其中较好迭代结果对应的初始值,载入正式训练的神经网络。
步骤三:神经网络深度学习,根据步骤二中的训练结果与目标数据之间的误差,调整径向基神经网络的训练步长、节点个数、层数等参数,重复步骤二中训练环节,直至脉动压力空间波数辨识结果满足误差精度要求,得到径向基神经网络脉动压力参数辨识模型;
此辨识模型本质上为利用神经网络拟合得到非线性函数映射的关系,建立起风洞试验中的脉动压力与空间波速的映射关系,即在不同来流条件下模拟传感器测得不同数值的脉动压力幅值对应不同的空间脉动压力波数的关系,进而得到脉动压力空间分布。
步骤四:神经网络测试,选取步骤一中未参与步骤二的脉动压力数据载入步骤三中得到的径向基神经网络脉动压力参数辨识模型,获得脉动压力空间波数辨识数值;
步骤五:测试结果评估,计算步骤四中模型辨识结果与步骤一中设定的脉动压力空间波数理论数值的误差,若不满足精度要求,则调整训练输入样本,重复步骤一至步骤五,若满足要求,则停止迭代计算,直接输出脉动压力空间波数;
步骤六:脉动压力输出,利用输出的脉动压力空间波束与脉动压力的映射关系,及经典Corcos模型和傅里叶变换计算得到对应模拟传感器位置的脉动压力幅值,进而得到消除背景噪声后的脉动压力在测定范围内的空间分布。
有益效果:
1、本发明公开的一种基于神经网络技术的地面实测脉动压力参数辨识方法,引入“模拟传感器”,离散化脉动压力空间分布,“模拟传感器”本质为计算点位,不存在传统传感器的尺寸、位置、型号等安装问题而导致无法测量的限制,可针对性研究分析飞行器特定部位的脉动压力分布,能够拓展风洞试验应用范围。
2、本发明公开的一种基于神经网络技术的地面实测脉动压力参数辨识方法,在训练初始阶段,利用抽样样本训练过程中的迭代结果,优化神经网络初始值的选取,而非采用默认初始值,有效加速网络的收敛速度。
3、本发明公开的一种基于神经网络技术的地面实测脉动压力参数辨识方法,采用人工神经网络技术与描述壁面脉动压力经典Corcos模型,利用径向基神经网络优越的函数拟合能力挖掘出风洞试验中的脉动压力与空间波速的对应关系,本质上为非线性函数映射的关系,其输入输出数值大小与精度无关,本发明在低频、高频情况下表现稳定,为解决剔除全频域背景噪声提供方法。
4、本发明公开的一种基于神经网络技术的地面实测脉动压力参数辨识方法,相比于传统的物理降噪的方法,本发明能够在不安装吸声结构的情况下,通过数据处理剔除背景噪声,有效避免了吸声结构的安装困难与经济成本。
5、本发明公开的一种基于神经网络技术的地面实测脉动压力参数辨识方法,相比于获取气动特性的常用方法CFD(计算流体力学),本发明采用神经网络技术离散化脉动压力空间分布,无需对研究对象建模与划分网格,减少前期处理的时间,仅通过神经网络构建映射关系就能实现参数辨识,大幅度减少计算量,提高辨识速度,节约运算资源,实时性强,具有快速高效的特点。
附图说明
图1是本发明公开的一种基于神经网络技术的地面实测脉动压力参数辨识方法流程图;
图2是脉动压力幅值采集原理示意图;
图3是模拟传感器阵列方式示意图;
图4是辨识模型与目标样本结果的绝对误差图;
图5是辨识模型与目标样本结果的相对误差图;
图6是脉动压力辨识结果与理论值对比图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本实施例公开的一种基于神经网络技术的地面实测脉动压力参数辨识方法,具体按照以下步骤进行:
步骤一:训练样本生成,利用经典Corcos模型模拟不同气流参数条件下包含背景噪声的脉动压力,利用“模拟传感器”离散化脉动压力空间分布,建立脉动压力输入训练样本,设定脉动压力空间波数目标样本;
模拟传感器是指在测定范围内对脉动压力的幅值进行计算的点位,与在地面实测试验中真实传感器功能相似,但在数值分析过程中不存在实体,故称为“模拟传感器”。通过模拟传感器可将整体的脉动压力空间分布离散成为一系列避免脉动压力幅值数据,转化为可利用神经网络分析的数据合集。
所模拟的包含背景噪声的脉动压力原始数据作为训练输入样本,通过模拟压力传感器对脉动压力信号进行采集,其原理示意图如图2所示。在本实施方法中,传感器阵列方式为20个传感器沿来流方向间隔0.05m以横向排布的方式进行设置,如图3所示。此外,根据测试范围、试验环境、布置位置、传感器类型等不同情况,可改变传感器的数量与布置方式以满足需要,本实施方法设定的阵列方式仅作说明使用。
为了使原始数据满足参数辨识的要求,设定背景噪声与压力脉动在相同强度上,均为1Pa,来流速度U0为225m/s,扰动速度Uc为低马赫数流动,一般为0.6U0~0.7U0,设定为0.65U0。值得说明的是,对于在其他流动速度,可根据情况改变参数范围。
为尽可能排除外界元素干扰,利用MATLAB编写循环计算程序模拟地面实测试验,通过改变壁面脉动压力相关参数,计算得到在不同试验条件下的湍流边界层作用在模拟传感器所测试范围内的试验数据,获取一系列在不同频率下的脉动压力幅值数据。
其中,经典Corcos模型描述壁面脉动压力的表达式:
其中Uc为扰动速度,ω为角速度,x和y分别为流向和展向,ξx和ξy分别表示平板上两个任意点在x和y方向上的距离,αx和αy分别是x和y方向上的衰减率,SPP表示壁面压力脉动的幅值。
步骤二:神经网络初始化,根据抽样样本训练过程中的迭代结果,选取神经网络初始值,输入步骤一中获取的部分脉动压力幅值数据,所述的数据是指一系列模拟传感器所获得的壁面脉动压力幅值,以步骤一中对应的脉动压力空间波数作为目标数据,利用径向基神经网络进行训练;
针对脉动压力参数辨识问题选择人工神经网络的方法,由于脉动压力参数辨识本质为通过函数映射进行分类识别,选取具有结构简单、收敛速度快、能够逼近任意非线性函数的径向基神经网络进行训练,学习速度快,具有较强的实时性。对训练样本进行抽样,对神经网络进行试训,本实施方法采用1:100的比例选取抽样样本,确定神经网络参数范围,选取神经网络初始值,并将步骤一中模拟传感器中的数据输入至选取该初始值的神经网络中,通过多次循环迭代调整隐含层中神经元的权值,最后得到训练输出结果。
步骤三:神经网络深度学习,根据步骤二中的训练结果与目标数据之间的误差,调整径向基神经网络的训练步长、节点个数、层数等参数,重复步骤二中训练环节,直至脉动压力空间波数辨识结果满足误差精度要求,在本实施方法中设定相对误差精度为0.1%,得到深度学习后的径向基神经网络脉动压力参数辨识模型;
在重复过程中,需要根据输出结果与调试经验对径向基神经网络的参数范围进行调整,以保证结果收敛。具体的神经网络训练结果与理论结果的绝对误差如图4所示,绝对误差最大值为0.0139;如图5所示,相对误差主要集中在-0.05%和0.05%之间,最大误差为0.069%,满足相对误差0.1%的精度要求,训练后得到的脉动压力参数辨识模型具有较高的可靠性。值得说明的是,由于训练所用的标准值在10Hz至80Hz变化较大,但绝对误差较为接近,在标准值较小时相对误差会比较大。
步骤四:神经网络测试,选取步骤一中未参与步骤二的脉动压力数据载入步骤三中得到的径向基神经网络脉动压力参数辨识模型,获得脉动压力空间波数辨识数值;
步骤五:测试结果评估,计算步骤四中模型辨识结果与步骤一中设定的脉动压力空间波数理论数值的误差,在本实施方法中设定相对误差精度为1%;若不满足精度要求,则调整训练输入样本,重复步骤一至步骤五,若满足要求,则停止迭代计算,直接输出脉动压力空间波数。
步骤六:脉动压力输出,利用输出的脉动压力空间波束与脉动压力的映射关系,利用经典Corcos模型和傅里叶变换计算得到对应模拟传感器位置的脉动压力幅值,进而得到消除背景噪声后的脉动压力在测定范围内的空间分布。
在测试评估阶段,值得说明的是如果训练结果难以满足精度要求,则调整预设气流参数,适当扩大或者缩小测定范围,同时改变训练样本与测试样本的分配比例与样本密度,以适应算法提高精度。此外,过量的样本数量不仅会延长方法运算时间,同时会导致脉动压力空间波数辨识结果出现震荡。图6中展示了辨识模型其中一组的验证结果,从图中可以看出径向基神经网络模型辨识结果与脉动压力理论值在空间分布上具有很好的一致性,测试样本的脉动压力空间波数理论值为7.757,神经网络辨识结果为7.793,绝对误差为0.0358,相对误差为0.462%,满足小于1%的精度要求。
以上所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,在不脱离本发明技术原理的前提下,还可以做出若干的改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于神经网络技术的地面实测脉动压力参数辨识方法,其特征在于:包括如下步骤,
步骤一:训练样本生成,利用经典Corcos模型模拟不同气流参数条件下包含背景噪声的脉动压力,利用“模拟传感器”离散化脉动压力空间分布,建立脉动压力输入训练样本,设定脉动压力空间波数目标样本;
步骤二:神经网络初始化,根据抽样样本训练过程中的迭代结果,选取神经网络初始值,再输入步骤一中获取的部分脉动压力幅值数据,所述的数据是指一系列模拟传感器所获得的壁面脉动压力幅值,以步骤一中对应的脉动压力空间波数作为目标数据,利用径向基神经网络进行训练;
步骤三:神经网络深度学习,根据步骤二中的训练结果与目标数据之间的误差,调整径向基神经网络的训练步长、节点个数、层数等参数,重复步骤二中训练环节,直至脉动压力空间波数辨识结果满足误差精度要求,得到径向基神经网络脉动压力参数辨识模型;
步骤四:神经网络测试,选取步骤一中未参与步骤二的脉动压力数据载入步骤三中得到的径向基神经网络脉动压力参数辨识模型,获得脉动压力空间波数辨识数值;
步骤五:测试结果评估,计算步骤四中模型辨识结果与步骤一中设定的脉动压力空间波数理论数值的误差,若不满足精度要求,则调整训练输入样本,重复步骤一至步骤五,若满足要求,则停止迭代计算,直接输出脉动压力空间波数;
步骤六:脉动压力输出,利用输出的脉动压力空间波束与脉动压力的映射关系,及经典Corcos模型和傅里叶变换计算得到对应模拟传感器位置的脉动压力幅值,进而得到消除背景噪声后的脉动压力在测定范围内的空间分布。
2.如权利要求1所述的一种基于神经网络技术的地面实测脉动压力参数辨识方法,其特征在于:步骤一的实现方法为,
模拟传感器是指在测定范围内对脉动压力的幅值进行计算的点位,与在地面实测试验中真实传感器功能相似,但在数值分析过程中不存在实体;通过模拟传感器可将整体的脉动压力空间分布离散成为一系列壁面脉动压力幅值数据,转化为可利用神经网络分析的数据合集;
实测脉动压力数据包括:脉动压力幅值与扰动速度、背景噪声幅值、声速度、频率和衰减率,所述的经典Corcos模型描述壁面压力波动的表达式如下所示:
其中Uc为扰动速度,ω为角速度,x和y分别为流向和展向,ξx和ξy分别表示平板上两个任意点在x和y方向上的距离,αx和αy分别是x和y方向上的衰减率,SPP表示壁面压力脉动的幅值。
3.如权利要求1所述的一种基于神经网络技术的地面实测脉动压力参数辨识方法,其特征在于:步骤二的实现方法为,
针对脉动压力参数辨识问题选择人工神经网络,由于脉动压力参数辨识本质为通过非线性函数映射进行分类识别,选取径向基神经网络进行训练,进而得到脉动压力参数辨识模型进行参数识别;
由于训练样本数据量较大,预先采用抽样样本进行试算,缩小神经网络初始值的范围,选取其中较好迭代结果对应的初始值,载入正式训练的神经网络。
4.如权利要求1所述的一种基于神经网络技术的地面实测脉动压力参数辨识方法,其特征在于:步骤三的实现方法为,
此辨识模型本质上为利用神经网络拟合得到非线性函数映射的关系,建立起风洞试验中的脉动压力与空间波速的映射关系,即在不同来流条件下模拟传感器测得不同数值的脉动压力幅值对应不同的空间脉动压力波数的关系,进而得到脉动压力空间分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210398068.4A CN115033977B (zh) | 2022-04-12 | 2022-04-12 | 一种基于神经网络技术的地面实测脉动压力参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210398068.4A CN115033977B (zh) | 2022-04-12 | 2022-04-12 | 一种基于神经网络技术的地面实测脉动压力参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115033977A true CN115033977A (zh) | 2022-09-09 |
CN115033977B CN115033977B (zh) | 2023-04-25 |
Family
ID=83119570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210398068.4A Active CN115033977B (zh) | 2022-04-12 | 2022-04-12 | 一种基于神经网络技术的地面实测脉动压力参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115033977B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502509A (zh) * | 2023-06-28 | 2023-07-28 | 北京理工大学 | 考虑复杂流动效应的火箭整流罩跨音速抖振自抑制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339165A (zh) * | 2008-07-31 | 2009-01-07 | 天津大学 | 一种弧形闸门损伤的动态检测方法及系统 |
CN108846149A (zh) * | 2018-04-20 | 2018-11-20 | 北京航空航天大学 | 一种基于多源不确定性的结构分布式动态载荷识别的方法 |
CN113158445A (zh) * | 2021-04-06 | 2021-07-23 | 中国人民解放军战略支援部队航天工程大学 | 一种卷积记忆残差自注意力机制的航空发动机剩余使用寿命预测算法 |
CN113701981A (zh) * | 2021-09-14 | 2021-11-26 | 佛山奇正电气有限公司 | 一种近壁运动激波识别方法 |
US20220050123A1 (en) * | 2019-05-03 | 2022-02-17 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Method and an apparatus for characterizing an airflow |
-
2022
- 2022-04-12 CN CN202210398068.4A patent/CN115033977B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339165A (zh) * | 2008-07-31 | 2009-01-07 | 天津大学 | 一种弧形闸门损伤的动态检测方法及系统 |
CN108846149A (zh) * | 2018-04-20 | 2018-11-20 | 北京航空航天大学 | 一种基于多源不确定性的结构分布式动态载荷识别的方法 |
US20220050123A1 (en) * | 2019-05-03 | 2022-02-17 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Method and an apparatus for characterizing an airflow |
CN114080821A (zh) * | 2019-05-03 | 2022-02-22 | 弗劳恩霍夫应用研究促进协会 | 用于表征气流的方法和装置 |
CN113158445A (zh) * | 2021-04-06 | 2021-07-23 | 中国人民解放军战略支援部队航天工程大学 | 一种卷积记忆残差自注意力机制的航空发动机剩余使用寿命预测算法 |
CN113701981A (zh) * | 2021-09-14 | 2021-11-26 | 佛山奇正电气有限公司 | 一种近壁运动激波识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502509A (zh) * | 2023-06-28 | 2023-07-28 | 北京理工大学 | 考虑复杂流动效应的火箭整流罩跨音速抖振自抑制方法 |
CN116502509B (zh) * | 2023-06-28 | 2023-09-29 | 北京理工大学 | 考虑复杂流动效应的火箭整流罩跨音速抖振自抑制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115033977B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113609596B (zh) | 一种基于神经网络的飞行器气动特性预测方法 | |
CN105843780A (zh) | 一种机械结构冲击载荷识别的稀疏解卷积方法 | |
Zhang et al. | A flutter prediction method with low cost and low risk from test data | |
CN104678359B (zh) | 一种声场识别的多孔声全息方法 | |
CN115033977B (zh) | 一种基于神经网络技术的地面实测脉动压力参数辨识方法 | |
Liu et al. | Explicit polynomial regression models of wind characteristics and structural effects on a long‐span bridge utilizing onsite monitoring data | |
Yi et al. | Transfer learning: A new aerodynamic force identification network based on adaptive EMD and soft thresholding in hypersonic wind tunnel | |
Whiteman et al. | Cyber-physical aerodynamic shape optimization of a tall building in a wind tunnel using an active fin system | |
Shahverdi et al. | Clustering of parameter sensitivities: examples from a helicopter airframe model updating exercise | |
Kildal et al. | On the use of an active turbulence grid in wind tunnel testing of bridge decks | |
CN115046727A (zh) | 一种基于希尔伯特变换的桥梁非线性涡激力精确识别方法 | |
CN113158297B (zh) | 一种水工弧形钢闸门参数荷载识别方法 | |
Łukasiewicz et al. | Analysis of vibrodiagnostics methods in the technical state study of designed multimedia mobile scenes | |
Xue et al. | Time-varying wind load identification based on minimum-variance unbiased estimation | |
CN111898327B (zh) | 一种气动弹性系统颤振信号异常数据扩展方法 | |
Chen | Determination of flutter derivatives via a neural network approach | |
Kukreja et al. | Nonlinear black-box modeling of aeroelastic systems using structure detection approach: application to F/A-18 aircraft data | |
Mobley | Interpolation of aircraft source noise directivity patterns modeled by spherical harmonics | |
Kawashima et al. | Measurements of Unsteady Force Response on Airfoils with Arbitrarily Shaped Thickness due to Incident Large-Scale Turbulence | |
Chester et al. | Renormalized numerical simulation of flow over planar and non-planar fractal trees | |
Raveh | Identification of CFD-based unsteady aerodynamic models for aeroelastic analysis | |
CN113836805B (zh) | 一种列车表面压力预测方法、装置、电子设备及存储介质 | |
Fathi et al. | Improvement of the five-hole probe calibration using artificial neural networks | |
Herry | Applicability of direct extraction of rational function approximation for aeroelastic forces by forced vibration method | |
Zhao et al. | An inverse aeroacoustic problem with aerodynamic constraint for a helicopter rotor |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |