nach oben

Erschienen in:

2016 | OriginalPaper | Buchkapitel

Efficient Modeling of Generalized Aerodynamic Forces Across Mach Regimes Using Neuro-Fuzzy Approaches

verfasst von : Maximilian Winter, Christian Breitsamter

Erschienen in: New Results in Numerical and Experimental Fluid Mechanics X

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

In the present work, a nonlinear reduced-order modeling (ROM) approach based on dynamic local linear neuro-fuzzy models is presented for predicting unsteady aerodynamic loads in the time domain. In order to train the input-output relationship between the structural motion and the corresponding flow-induced loads, the local linear model tree (LOLIMOT) algorithm has been implemented. Furthermore, the Mach number is incorporated as an additional input parameter to account for different free-stream conditions with a single model. The approach is applied to the AGARD 445.6 configuration in order to demonstrate the efficiency and fidelity of the proposed method. It is indicated that the ROM-based time domain generalized aerodynamic forces (GAFs) show good agreement with the respective full-order CFD solution (AER-Eu). A further comparison in the frequency domain confirms the validity of the approach. Moreover, the potential of the method for reducing the numerical effort of aeroelastic analyses is highlighted.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Numerical Modeling of Wind Tunnel Walls for the Investigation of Oscillating Airfoils

Nächstes Kapitel Numerical Simulation of Vortex Roll-Up Processes Using the SSG/LRR- Model

Dowell, E.H., Hall, K.C.: Modeling of fluid-structure interaction. Annu. Rev. Fluid Mech. 33, 445–490 (2001)

Fleischer, D., Breitsamter, C.: Efficient computation of unsteady aerodynamic loads using computational-fluid-dynamics linearized methods. J. Aircraft 50(2), 425–440 (2013)

Glaz, B., Liu, L., Friedmann, P.P.: Reduced-order nonlinear unsteady aerodynamic modeling using a surrogate-based recurrence framework. AIAA J. 48(10), 2418–2429 (2010)

Kreiselmaier, E., Laschka, B.: Small disturbance euler equations: efficient and accurate tool for unsteady load predictions. J. Aircraft 37(5), 770–778 (2000)

Ljung, L.: System Identification: Theory for the User. Prentice Hall, Upper Saddle River, NJ (1999)

Lucia, D.J., Beran, P.S., Silva, W.A.: Reduced-order modeling: new approaches for computational physics. Prog. Aerosp. Sci. 40, 51–117 (2004)

Marques, F.D., Anderson, J.: Identification and prediction of unsteady transonic aerodynamic loads by multi-layer functionals. J. Fluids Struct. 15, 83–106 (2001)

Nelles, O.: Nonlinear System Identification - From Classical Approaches to Neural Networks and Fuzzy Models. Springer, Berlin (2001)MATH

Silva, W.A., Bartels, R.E.: Development of reduced-order models for aeroelastic analysis and flutter prediction using the cfl3dv6.0 code. J. Fluids Struct. 19, 729–745 (2004)

10.

Voitcu, O., Wong, Y.S.: Neural network approach for nonlinear aeroelastic analysis. J. Guid. Control Dynam. 26(1), 99–105 (2003)CrossRef

11.

Winter, M., Breitsamter, C.: Reduced-order modeling of unsteady aerodynamic loads using radial basis function neural networks. 63rd Deutscher Luft- und Raumfahrtkongress (DGLR Paper 340013), Augsburg, Germany (2014)

12.

Wright, J.R., Cooper, J.E.: Introduction to Aircraft Aeroelasticity and Loads. Wiley, West Sussex, England, U.K. (2007)CrossRef

13.

Yates, E.C., Jr.: AGARD standard aeroelastic configurations for dynamic response. Candidate Configuration I.-Wing 445.6. Tech. rep. NASA TM-100492, NASA (1987)

14.

Zhang, W., Wang, B., Ye, Z., Quan, J.: Efficient method for limit cycle flutter analysis by nonlinear aerodynamic reduced-order models. AIAA J. 50(5), 1019–1028 (2012)

Titel: Efficient Modeling of Generalized Aerodynamic Forces Across Mach Regimes Using Neuro-Fuzzy Approaches
verfasst von: Maximilian Winter
Christian Breitsamter
Verlag: Springer International Publishing
Buch: New Results in Numerical and Experimental Fluid Mechanics X
Print ISBN: 978-3-319-27278-8

Electronic ISBN: 978-3-319-27279-5

Copyright-Jahr: 2016
DOI: https://doi.org/10.1007/978-3-319-27279-5_41

Premium Partner

Marktübersichten

Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen.

Zur Marktübersicht