arXiv 2210.114812022-10-20cs.LGphysics.data-anphysics.flu-dyn

利用机器学习提升飞行器性能：综述

Improving aircraft performance using machine learning: a review

Universidad Politécnica de Madrid（马德里理工大学）；University of Sheffield（谢菲尔德大学）；Université Libre de Bruxelles（布鲁塞尔自由大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）

Soledad Le Clainche, Esteban Ferrer, Sam Gibson, Elisabeth Cross, Alessandro Parente, Ricardo Vinuesa

DOI：: 10.1016/j.ast.2023.108354

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本综述回顾了机器学习在流体动力学、空气动力学等多学科航空航天工程中的最新进展与应用，总结了其优势与挑战，指出ML正显著提升飞行器性能并将在未来产生重大影响。

摘要：

本综述涵盖了影响航空航天工程这一多学科领域的机器学习（ML）新进展，包括基础流体动力学（实验与数值）、空气动力学、声学、燃烧和结构健康监测。我们回顾了最新技术，汇总了ML方法在不同航空航天学科中的优势与挑战，并对未来机遇提出见解。文章介绍了ML的基本概念和最相关策略，以及航空航天工程中最相关的应用，揭示出ML正在提升飞行器性能，且这些技术将在不久的将来产生重大影响。

英文摘要：

This review covers the new developments in machine learning (ML) that are impacting the multi-disciplinary area of aerospace engineering, including fundamental fluid dynamics (experimental and numerical), aerodynamics, acoustics, combustion and structural health monitoring. We review the state of the art, gathering the advantages and challenges of ML methods across different aerospace disciplines and provide our view on future opportunities. The basic concepts and the most relevant strategies for ML are presented together with the most relevant applications in aerospace engineering, revealing that ML is improving aircraft performance and that these techniques will have a large impact in the near future.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

AI总结：

摘要：

英文摘要：

相关论文