研究人员探索了使用残差学习与长短期记忆（LSTM）神经网络相结合的方法，以增强航空弹性应用中非定常气动载荷的预测能力。该研究使用了NLR 7301翼型基准，将学习计算流体动力学（CFD）升力数据与基于物理的瓦格纳函数模型之间差异的残差模型与直接神经网络模型进行了比较。在各种测试中，残差方法表现出更强的泛化能力和更低的误差率，表明其有潜力增强经典的空气动力学理论。 AI
影响 这项研究提出了一种通过结合神经网络和基于物理的模型来提高气动载荷预测准确性和泛化能力的方法。
排序理由 该集群包含一篇学术论文，详细介绍了一个科学领域的新研究方法。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.17894v1 Announce Type: cross Abstract: This paper investigates the feasibility of using residual learning to improve unsteady aerodynamic load prediction for aeroelastic applications. The machine learning technique selected for the study is the long short-term memory (…
This paper investigates the feasibility of using residual learning to improve unsteady aerodynamic load prediction for aeroelastic applications. The machine learning technique selected for the study is the long short-term memory (LSTM) neural network, which is used for its suitab…