$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

인공신경망 기반의 유도탄 노즈 공력계수 예측 연구
Application of Artificial Neural Network to Predict Aerodynamic Coefficients of the Nose Section of the Missiles 원문보기

한국항공우주학회지 = Journal of the Korean Society for Aeronautical & Space Sciences, v.49 no.11, 2021년, pp.901 - 907  

이정용 (Interdisciplinary Program in Space Systems, Seoul National University) ,  이복직 (Department of Aerospace Engineering, Seoul National University)

초록
AI-Helper 아이콘AI-Helper

본 연구에서는 다양한 유도탄 노즈 형상과 유동조건에 대한 공력계수를 예측할 수 있는 인공신경망 기반의 공력 산출 기법을 제시한다. Missile DATCOM를 통해 유도탄 노즈 형상, 유동조건, 유도탄 공력계수로 구성된 학습 데이터셋을 구축하였다. 인공신경망의 예측 성능을 향상시키기 위해 데이터 전처리 과정으로 데이터 정규화를 진행하였고, 과대적합을 방지하기 위해 신경망 학습 과정 중 드롭아웃 기법을 사용하였다. 신경망을 통해 학습하지 않은 유도탄 노즈 형상과 유동조건에 대한 공력계수를 예측하였고 이를 Missile DATCOM 해석 결과와 비교하여 신경망의 성능을 검증하였다. 그 결과 본 연구에서 구축한 신경망은 학습하지 않은 유도탄 노즈 형상과 유동조건에 대한 유도탄 공력계수를 정확하게 산출할 수 있음을 확인하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The present study introduces an artificial neural network (ANN) that can predict the missile aerodynamic coefficients for various missile nose shapes and flow conditions such as Mach number and angle of attack. A semi-empirical missile aerodynamics code is utilized to generate a dataset comprised of...

주제어

#기계학습   #인공신경망   #미사일 DATCOM   #공력계수  

참고문헌 (18)

  1. Almeida, J. S., "Predictive Non-linear Modeling of Complex Data by Artificial Neural Networks," Current Opinion in Biotechnology, Vol. 13, No. 1, 2002, pp. 72~76. 

    상세보기 crossref

  2. Sekar, V., Jiang, Q., Shu, C. and Khoo, B. C., "Fast Flow Field Prediction over Airfoils Using Deep Learning Approach," Physics of Fluids, Vol. 31, No. 5, 2019, 057103. 

    상세보기 crossref

  3. Kang, T. Y., Park, K. K., Kim, J. H. and Ryoo, C. K., "Real-Time Estimation of Missile Debris Predicted Impact Point and Dispersion Using Deep Neural Network," Journal of The Korean Society for Aeronautical and Space Sciences, Vol. 49, No. 3, 2021, pp. 197~204. 

    원문보기 상세보기 crossref

  4. Penchalaiah, D., Kumar, G. N. and Ghosh, A. K., "Missile Drag Coefficients Segregation Using Artificial Neural Network," 6 th Symposium on Applied Aerodynamics and Design of Aerospace Vehicles (SAROD), November 2013, pp. 21~23. 

  5. Ritz, S. G., Hartfield, R. J., Dahlen, J. A., Burkhalter, J. E. and Woltosz, W. S., "Rapid Calculation of Missile Aerodynamic Coefficients Using Artificial Neural Networks," 2015 IEEE Aerospace Conference, March 2015, pp. 1~19. 

  6. Blake, W. B., Missile DATCOM: User's Manual-1997 FORTRAN 90 Revision, Air Force Research Lab Wright-Patterson AFB OH Air Vehicles Directorate, Oklahoma, 1998. 

  7. Wang, S. C., Interdisciplinary Computing in Java Programming, Springer, Boston, 2003, pp. 81~100. 

  8. Van Dyke, M. D., "First-and Second-order Theory of Supersonic Flow Past Bodies of Revolution," Journal of the Aeronautical Sciences, Vol. 18, No. 3, 1951, pp. 161~178. 

    상세보기 crossref

  9. Moore, F. G., Armistead, M. A., Rowles, S. H. and DeJarnette, F., R., "Second-Order ShockExpansion Theory Extended to Include Real Gas Effects," NAVSWC TR90-683, Naval Surface Warfare Center Dahlgren Div., Dahlgren, 1992. 

  10. Yu, L., Wang, S. and Lai, K. K., "An Integrated Data Preparation Scheme for Neural Network Data Analysis," IEEE Transactions on Knowledge and Data Engineering, Vol. 18, No. 2, 2005, pp. 217~230. 

  11. Feurer, M. and Hutter, F., Automated Machine Learning, Springer, Cham, 2019, pp. 3~33. 

  12. Hawkins, D. M., "The Problem of Overfitting," Journal of Chemical Information and Computer Sciences, Vol. 44, No. 1, 2004, pp. 1~12. 

    상세보기 crossref

  13. Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I. and Salakhutdinov, R., "Dropout: A Simple Way to Prevent Neural Networks from Overfitting," The Journal of Machine Learning Research, Vol. 15, No. 1, 2014, pp. 1929~1958. 

    상세보기

  14. Klambauer, G., Unterthiner, T., Mayr, A. and Hochreiter, S., "Self-normalizing Neural Networks," Proceedings of the 31st International Conference on Neural Information Processing Systems, December 2017, pp. 972~981. 

  15. Douglas, S. C. and Yu, J., "Why RELU Units Sometimes Die: Analysis of Single-unit Error Backpropagation in Neural Networks," 52nd Asilomar Conference on Signals, Systems, and Computers, October 2018, pp. 864~868. 

  16. LeCun, Y. A., Bottou, L., Orr, G. B. and Mul er, K. R., Neural Networks: Tricks of the Trade, Springer, Berlin, Heidelberg, 2012, pp. 9~48. 

  17. Bock, S. and Weiss, M., "A Proof of Local Convergence for the Adam Optimizer," 2019 International Joint Conference on Neural Networks, July 2019, pp. 1~8. 

  18. Ketkar, N., Deep Learning with Python: A Hands-on Introduction, Apress, Berkeley, 2017, pp. 97~111. 

저자의 다른 논문 :

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로