Artificial intelligence methods for identification of aerodynamic coefficients from flight data

Echevarría Corrales, Fidel. (2021). Artificial intelligence methods for identification of aerodynamic coefficients from flight data Master Thesis, Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial

Ficheros (Some files may be inaccessible until you login with your e-spacio credentials)
Nombre Descripción Tipo MIME Size
Echevarria_Corrales_Fidel_TFM.pdf Echevarria_Corrales_Fidel_TFM.pdf application/pdf 3.95MB

Título Artificial intelligence methods for identification of aerodynamic coefficients from flight data
Autor(es) Echevarría Corrales, Fidel
Resumen En el ámbito de la ingeniería existe una necesidad esencial de modelizar los sistemas que nos rodean. Los modelos conceptuales proporcionan información sobre la dinámica de los sistemas físicos en estudio, y permiten realizar predicciones de los estados pasados o futuros dada una condición inicial. El proceso de modelización de la aerodinámica de aeronaves es esencial para muchos sectores de la industria aeroespacial, incluyendo el desarrollo de sistemas automáticos de control efectivos, estimación precisa de estados durante el vuelo, o el desarrollo de simuladores para entrenamiento de pilotos, entre otras. La identificación de coeficientes aerodinámicos es un proceso muy importante en la modelización de la dinámica de aeronaves. Entre los métodos tradicionalmente aplicados a este proceso se podrían mencionar técnicas como ensayos en túnel de viento, dinámica de fluidos computacional, o el análisis de la respuesta en el dominio de la frecuencia a partir de datos de vuelo. En las últimas décadas, fruto del crecimiento exponencial de la capacidad computacional disponible, los algoritmos evolutivos y técnicas de aprendizaje profundo han prosperado y tomado un papel muy importante en muchas áreas, incluyendo la identificación de sistemas. Este trabajo se centra en la aplicación de estos métodos para la identificación de coeficientes aerodinámicos de aeronaves a partir de datos de vuelo. Los resultados demuestran una prometedora capacidad de identificación con bajos costes de configuración asociados.
Abstract In engineering there is an essential necessity to model the systems surrounding us. Conceptual models provide information about the dynamics of the physical systems in study, and allow predictions of their past or future states given an initial condition. Aircraft dynamic modelling is an essential process for many tasks in the aviation industry, including development of effective automatic flight control systems, precise state estimation during flight, or simulator development for pilot training, among many others. Aerodynamic coefficient identification is a key part of aircraft dynamic modelling. Some methods which have traditionally been applied for this task include wind tunnel testing, computational fluid dynamics, or frequency-response analysis in flight test data. In the recent years, arising from the exponential growth in available computing capacity, evolutionary algorithms and deep learning techniques have flourished and taken a very important role in many areas, including system identification. This work focuses on the application of these methods for identification of aircraft aerodynamic coefficients from flight data. Results demonstrate promising identification capabilities, with low associated configuration costs.
Notas adicionales Trabajo de Fin de Máster Universitario en Investigación en Inteligencia Artificial. UNED
Materia(s) Ingeniería Informática
Editor(es) Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
Director/Tutor Cuadra Troncoso, José Manuel
Carmona Suárez, Enrique J.
Fecha 2021-09-01
Formato application/pdf
Identificador bibliuned:master-ETSInformatica-IIA-Fechevarria
http://e-spacio.uned.es/fez/view/bibliuned:master-ETSInformatica-IIA-Fechevarria
Idioma eng
Versión de la publicación acceptedVersion
Nivel de acceso y licencia http://creativecommons.org/licenses/by-nc-nd/4.0
info:eu-repo/semantics/openAccess
Tipo de recurso master Thesis
Tipo de acceso Acceso abierto

 
Versiones
Versión Tipo de filtro
Contador de citas: Google Scholar Search Google Scholar
Estadísticas de acceso: 226 Visitas, 463 Descargas  -  Estadísticas en detalle
Creado: Mon, 03 Oct 2022, 19:20:58 CET