Resumen

Las simplificaciones necesarias en el cálculo del modelo, la incertidumbre en la prueba real del túnel de viento y el error del sistema de adquisición de datos conducen en conjunto a un error entre un conjunto de resultados experimentales reales y un conjunto de resultados de diseño teóricos; los datos de flutter de la prueba del túnel de viento pueden utilizarse para retroalimentar este error. En este estudio, se estableció un método de procesamiento de señales para utilizar las señales de respuesta estructural de un modelo aeroelástico para clasificar las señales de flutter mediante un algoritmo de aprendizaje profundo. Este novedoso método de procesamiento y clasificación de señales de flutter funciona combinando una red neuronal convolucional (CNN) con un análisis de tiempo-frecuencia. Las características del flutter se revelan tanto en el dominio del tiempo como en el de la frecuencia, que son armónicas o divergentes en la serie temporal; la energía del modelo de flutter es singular y aumenta significativamente en la vista de la frecuencia, por lo que las características del diagrama de tiempo-frecuencia pueden extraerse del modelo CNN entrenado en el conjunto de datos. Como base del posterior algoritmo de aprendizaje profundo, los conjuntos de datos se colocan en una colección de diagramas de tiempo-frecuencia calculados mediante la transformada de Fourier de tiempo corto (STFT) y etiquetados con dos estados artificiales, flutter o no flutter, dependiendo de la fuente de la señal medida a partir de una prueba de túnel de viento en el modelo aeroelástico. Tras el preprocesamiento, se aplica un programa de validación cruzada para actualizar (y optimizar) los parámetros de la CNN a través del conjunto de datos entrenados. Los modelos entrenados se compararon con conjuntos de datos de prueba para validar su fiabilidad y robustez. Nuestros resultados indican que la tasa de precisión de los conjuntos de datos de prueba alcanza el 90%. Los modelos entrenados pueden distinguir de forma eficaz y automática si hay o no flutter en las señales medidas.

• Materias:Aerodinámica Ingeniería aeroespacial Satélites Satélite artificial Meteorología
• Subjects:Aerodynamics Aerospace engineering Satellites Artificial satellites Meteorology
• Palabras claves:ensayo en túnel de viento, algoritmo de aprendizaje profundo, diagrama de frecuencias, conjuntos de datos de ensayo, modelo entrenado, modelo aeroelástico, energía del modelo de flutter, tasa de ensayo, red neuronal convolucional, flutter
• Keywords:wind tunnel test, deep learning algorithm, frequency diagram, test datasets, trained model, aeroelastic model, flutter model energy, rate of test, convolutional neural network, flutter