Geri Dön

The effect of using different feature sets and flight data envelopes on the fidelity of deep learning based system identification of a fighter aircraft

Farklı feature setleri ve uçuş veri zarflarının kullanımının bir savaş uçağının derin öğrenme tabanlı sistem tanımlamasının doğruluğu üzerindeki etkisi

PDF İndir

  1. Tez No: 887622
  2. Yazar: MEHMET CAN ŞEN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ BARIŞ BAŞPINAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Uçak Mühendisliği, Aeronautical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Uçak ve Uzay Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Uçak ve Uzay Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 115

Özet

Uçuş dinamiklerini doğru bir şekilde yansıtan uçak modelleri, uçak tasarımı, geliştirme ve sertifikasyon gibi birçok çalışmanın gerçekleştirilemesi açısından kritik öneme sahiptir. Yüksek sadakat seviyesine sahip modeller geliştirebilmek için ise, uçuş dinamiklerini yansıtan modeller, uçuş verilerini kullanıldığı Sistem Tanımlama çalışmaları ile geliştirilmektedir. Son zamanlarda, derin öğrenme tabanlı çalışmalar ön plana çıkmaktadır. Ancak, uçuş verilerinin toplanması yüksek bütçe gerektirmekte ve lineer olmayan bölgelerin doğru bir şekilde tahmin edilmesinde zorluklar yaşanmaktadır. Bu çalışmanın amacı, farklı özellik setlerini kullanarak lineer olmayan uçuş zarfının olduğu bölgelerde uçuş dinamiği modellerini iyileştirmek ve farklı uçuş zarflarınının kullanıldığı sistem tanımlama analizlerini kullanarak uçuş testi kampanyasını optimize etmektir. İlk olarak, uçuş verilerini elde etmek için jenerik kullanım için üretilmiş bir F16 uçuş dinamiği benzetim modeli modifiye edilmiştir. Daha sonra bu modelde Short Period, Bank-to-Bank ve Dutch Roll manevraları gerçekleştirilmiştir. Bu manevralar, farklı hız ve irtifa koşullarında gerçekleştirilmiştir. Bu uçuşlar sırasında, sistem tanımlama kullanılacak parametreler ölçülmüştür. İkinci olarak, veri ön işleme çalışmaları gerçekleştirilmiştir. Bu çalışmalar kapsamında, uçağın ağırlığı, eylemsizlik momenti ve itki değerleri ile beraber uçuş verileri kullanarak uçağın toplam kuvvet ve moment katsayılarının hesaplanabildiği bir altyapı hazırlanmıştır. Bu altyapı içerisinde, elde edilen uçuş test verileri işlenerek aerodinamik kuvvet ve moment katsayıları oluşturulmuştur. Bunun için ise birçok parametrenin ayrıştırılması gerekmektedir. Lineer ivmeler ve açısal ivmeler total kuvvet ve momementlerin çıkarılmasında temel katkıyı sağlayan parametrelerdir. Ancak, uçuş testlerinde genellikle ölçülen parametreler lineer ivmeler ve açısal hızlardır. Sistem tanımlama çalışmalarında, açısal ivmeler açısal hızlardan türetilmektedir. Toplam kuvvet ve moment katsayılarının hesaplanmasında, açısal ve lineer ivmelerin merkez kütle noktasında hesaplanması gerekmektedir. Bu nedenle, ölçümler kütle merkezi noktasına taşınmıştır. Toplam kuvvet ve moment katsayıları hesaplandıktan sonra, uçağın durum parametreleri ve kontrol yüzeyi verileri toplam katsayılarla birleştirilerek mat dosyalarında saklanmıştır. Temel Python kodunda tahmin algoritması ile sistem tanımlaması yapılırken veriler bu mat dosyaları ile kullanılmıştır. İlk olarak veriler, yapay sinir ağı eğitim modellerinde kullabilmesi için giriş ve çıkış gruplarına ayrılmıştır. Uçağın durum parametreleri ile kontrol yüzeyleri derin öğrenme modellerinin girdileri olarak tanımlanmıştır. Toplam kuvvet ve moment katsayıları ise tahmin algoritmasının çıktıları olarak tanımlanmıştır. Daha sonra giriş bölümünde kullanılacak tüm parametrelerin normalizasyonu yapılmıştır. Modelin yüksek doğrulukla tahmin edilmesi için normalizasyon gerekmektedir. Aksi takdirde, bazı parametrelerin etkisi diğerlerine göre çok daha belirgin hale geldiği görülmüştür. Bu da tahmin algoritmasının uçak özelliklerini tam olarak yakalayamamasına ve düşük doğruluklu tahminlere yol açmasına sebep olmuştur. Son olarak, veriler tahmin ve doğrulama olarak ayrılarak tahmin algoritmasına ayrıştırılmıştır. Uçağın aerodinamiklerini tahmin etmek için veriler hazırlandıktan sonra, uçağın aerodinamiklerini tanımlayan model yapısı belirlenmiştir. Sinir ağı tabanlı modellemeyi tahmin işlemine uygulamak için Python ortamında TensorFlow framework yapısı kullanılmıştır. Bu çalışmada, kolaylık ve yüksek tutarlılık özelliği nedeniyle Keras API seçilmiştir. Bu yapı ile birçok farklı model, katman ve özellik setini test etme imkanı bulunmuştur. Model türü olarak sequantial model seçilmiştir. Uçuş verileri ile birçok deneme yanılma işlemi gerçekleştirilerek yapay sinir ağı katmanlarına system tanımlama çalışmalarının nasıl tepki verdiği incelenmiştir. Uçakların karmaşıklığı nedeniyle, Keras ardışık modeldeki katman sayısı ve her katmanda bulunan düğüm sayısı, her bir özellik seti ve uçağın durumu için yüksek parametre sayısı göz önünde bulundurularak yüksek yoğunlukta tasarlanmıştır. Parametrelerin birbiriyle doğrusal olmayan ilişkisi nedeniyle, tüm iç katmanlarda aktivasyon fonksiyonu olarak Relu seçilmiştir. Çıkış katmanında ise her bir parametrenin basit toplamını temsil etmek için aktivasyon fonksiyonu lineer olarak seçilmiştir. Son olarak, tahmin edilen model için optimize edici olarak Adam algoritması ve kayıp fonksiyonu olarak ortalama kare hatası seçilmiştir. Veriler ve gerekli eğitim algoritmaları hazırlandıktan sonra, çalışmanın ilk aşaması olan, sinir ağı tabanlı sistem tanımlama çalışmalarının farklı feature setleri ile eğitilip karşılaştırılması gerçekleştirilmiştir. İlk olarak ilgili modeller, temel girdi setini tanımlayan parametreleri oluşturan set ile eğitilmiştir. Bu basit sette, ilgili moment ve kuvvet katsayısını efektik olarak etkileyen euler açıları, hızlar, hücum açısı, kayma açısı ve kontrol yüzeyi açılarını içermektedir. İkinci olarak ise üstel ve birleşik parametreler eklenerek başka bir kompleks feature seti üretilmiştir. Bu parametreler, uçuş dinamiği bilgisi kullanılarak elde edilmiştir. Örnek olarak elevator açısının etkinliği, uçağın hücum açısına ve Mach sayısına bağlı değişmektedir. Bu nedenle, elevator – hücum açısı ve elevator – Mach birleşik parametreleri yeni özellik setine eklenmiştir. Her özellik setinin oluşturulmasından sonra modeller aynı uçuş test verileriyle eğitilmiştir. Son olarak modeller doğrulama çalışmaları için ayrılmış uçuş test manevralarıyla karşılaştırılmıştır. Bu çalışmada farklı feature setlerinin kullanılmasının temel amacı, doğrusal olmayan bölgelerde uçuş modelinin doğruluğunu arttırmaktır. Bu amaçla eğitimde giriş setlerini doğrudan kullanmak yerine, uçuş dinamikleri ve aerodinamik bilgisi kullanılarak, girişlerin farklı üsleri ve birleşik durumları özellik setine eklenmiştir. Böylece, çözüm için eğitim sırasında modele farklı giriş kombinasyonları sağlanmıştır. Çalışmanın ikinci kısmında ise uçuş testlerinin maliyetleri konusuna da odaklanılmıştır, bu sistem tanımlama çalışmalarının efektif bir şekilde gerçekleştirilebilmesi için kritik öneme sahip bir konu olmaktadır. Uçuş test manevralarının ve girdilerinin optimize edilmesi maliyet etkinlik için gerekli olmaktadır. Genellikle performans ve stabilite analizleri izole bölgelerde yapılmaktadır, bu nedenle, bu çalışmalar kapsamında toplanan uçuş verileri tüm uçuş zarfını yansıtacak yeterli dağılıma sahip olamamaktadır. Diğer durumlarda ise, uçuş zarfı çok yüksek sıklıkta taranmaktadır ve bu da çok yüksek maliyetlere yol açmaktadır. Bu çalışmanın ikinci kısmı, farklı uçuş test manevraları ve zarfları kullanılarak sistem tanımlaması yapılırken veri miktarının model doğruluğundaki değişikliklerine odaklanmaktadır. Modeller yalnızca doğrusal olmayan bölgeden, yalnızca doğrusal bölgeden ve tüm uçuş zarfından elde edilen verilerle, her bir senaryoda farklı veri yoğunluklarıyla eğitilmiştir. Toplamda altı farklı durum test edilip karşılaştırılmıştır. Sonuç olarak bu tez kapsamında, çeşitli uçuş koşulları altında uçak dinamiklerinin kapsamlı analizleri yapılmış ve aerodinamik davranışların yakalanmasında basit ve karmaşık özellik setlerinin etkinliği incelenmiştir. Sonuçlar, farklı uçuş zarflarında tahmin modellerinin performansı hakkında önemli içgörüler sunmaktadır. İlk olarak, Short Period uçuşlarıyla yapılan longitudinal aerodinamik parametrelerin analizi için, hem basit hem de karmaşık özellik setlerinin lineer uçuş zarfında birbirleriyle benzer ve kabul edilebilir sonuçlar verdiği gözlenmiştir. Ancak uçuş koşulları zarfın uç noktalarına yaklaştıkça non-lineer özelliklerin belirginleştiği ve kompleks feature setinin uçuş verisine çok daha uyumlu olduğu görülmüştür. Bu durum daha yüksek doğruluk için özellik setine karmaşık parametrelerin dahil edilmesinin gerekliliğini göstermektedir. Bu şekilde farklı koşullar altında aerodinamik davranışları doğru bir şekilde temsil eden tahmin modelleri geliştirilirken, tüm uçuş zarfını kapsayacak parametrelerin dikkate alınmasının önemi ortaya çıkmaktadır. İkinci olarak, Dutch Roll ve Bank-to-Bank manevralarının incelenmesinde benzer eğilimler ortaya çıkmış, basit özellik setlerinin lineer uçuş zarfında yeterli performans gösterdiği ancak stall açılarına yaklaştıkça ve transonik bölgelerde lineer olmayan etkileri yakalamakta sıkıntı yaşadığı görülmüştür. Böylece, kompleks özellik setlerinin, bu zorlu uçuş senaryolarında daha yüksek doğruluk elde etmek için gerekli olduğu ortaya çıkmaktadır. Tezin ikinci aşamasında ise, farklı uçuş zarflarında eğitilmiş olan modellerin uçuş testi sonuçları karşılaştırmaları yapılmıştır. Eğitilen modellerin performansını göstermek için uçuş zarfının lineer ve lineer olmayan bölgelerinden uçuş test noktaları seçilmiştir. Sonrasında ise eğitilen modellerin her iki koşul altındaki performansı incelenmiştir. Tüm senaryolar incelendiğinde, kayıp fonksiyon değerleriyle ilgili yapılan karşılaştırma analizleri, modellerin eğitildiği uçuş test bölgelerinin uçak modelinin doğruluğu üzerindeki önemini göstermiştir. Sonuçlar, tüm uçuş zarfı verileriyle eğitilen modellerin üstün başarısını göstermektedir. Tüm uçuş zarfı verileriyle eğitilen modellerin, lineer veya lineer olmayan bölgelerin izole verileriyle eğitilenlere göre sürekli olarak daha iyi performans sergilediği görülmüş olup doğru tahmin modelleri için kapsamlı veri kapsamının önemini göstermektedir. Sonuç olarak bu tez, uçak dinamikleri için tahmin modellerinin geliştirilmesine değerli içgörüler sağlamaktadır ve çeşitli uçuş koşulları altında aerodinamik davranışları doğru bir şekilde temsil etmede karmaşık özellik setlerinin ve kapsamlı eğitim verilerinin kritik rolünü göstermektedir. Bu bulgular, uçak tasarımı, uçuş simülasyonu ve kontrol sistemi geliştirme konusunda iyileştirilmiş performans ve güvenlik sağlayarak havacılık alanında önemli katkılar sunmaktadır.

Özet (Çeviri)

Aircraft models that accurately reflect flight dynamics are critically important for aircraft design, development, and certification. To achieve high-fidelity results, flight dynamics models are developed through System Identification using flight data. Recently, Deep Learning-based approaches have gained prominence. However, collecting flight data is highly expensive, and accurately estimating the nonlinear region have significant challenges. This study aims to improve flight dynamics models in the nonlinear region by using different feature sets and optimize the flight test campaign by making flight envelope analyses with using deep learning-based system identification methodology. First, a generic F-16 flight model was modified to obtain flight data. Short Period, Bank to Bank, and Dutch Roll maneuvers were executed in this model at various speeds and altitudes to be used for aerodynamic database predictions. Parameters required for System Identification were measured and obtained during these flights tests. Next, data preprocessing was conducted. This involved preparing an infrastructure to calculate the total force and moment coefficients of the aircraft using mass-inertia, thrust values, and the flight data. Subsequently, an algorithm was developed to prepare deep learning-based models for the prediction algorithm. The models were trained using different feature sets and flight envelopes. The purpose of using different feature sets was to enhance the accuracy of the flight model in the nonlinear region. Instead of using input sets directly for training, different exponents of the inputs and their coupled parameters were added to the feature set using knowledge of flight dynamics and aerodynamics. This provided the model with various input combinations during training the models. Initially, models were trained using simplified feature sets. Then, another feature sets with added exponential and coupled parameters were used for training with the same flight data. The models were compared using validation test maneuvers. The study also focused on the subject of costs of the flight tests, a critical aspect of System Identification studies. Optimizing flight test maneuvers and inputs is essential for cost efficiency. Typically, performance and stability analyses are conducted in isolated regions thus the flight data does not lead to have sufficient distribution to reflect all flight envelope. In other cases, flight envelope is scanned at very high frequency which leads to very high costs. Second part of this study examined focused on model accuracy changes with the amount of data by examining system identification with different flight test maneuvers and envelopes. Models were trained using data from only the nonlinear region, only the linear region, and the full flight envelope, each with different data densities. In total, six different cases were tested and compared. In conclusion, comparing both feature sets for all force and moment coefficients revealed that they produce similar results in the linear regime. However, as nonlinearity increases near the extreme points of the flight envelope, the accuracy of the complex feature sets is significantly higher than that of the simpler feature sets. Flight test comparisons indicate that adding complex parameters to feature sets is necessary to improve accuracy in regions with increasing nonlinearity. Examining the effect of flight test envelopes used during training shows that using data only from nonlinear or linear regions is insufficient to represent the entire flight envelope. Even with increased data density in isolated regions, it is necessary to collect data from both linear and nonlinear regions for an accurate model across the entire flight envelope. Properly executed maneuvers demonstrate that increasing data density does not enhance accuracy cost-effectively. For future applications, optimizing feature sets and flight test campaigns in System Identification studies can yield a model that performs accurately across the entire flight envelope. Additionally, significant budget savings can be achieved by conducting a cost-effective flight test campaign.

Benzer Tezler

  1. Tez No

    854262

    Havayolu yolculuk deneyimini iyileştirmek için makine öğrenmesi yöntemleriyle uçuş gecikmesi tahmini

    Machine learning techniques for enhancing airline passenger experience through flight delay prediction

    ESMA ERGÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SÜHA TUNA

  2. Tez No

    849394

    Multispektral İHA verilerinin obje tabanlı sınıflandırılmasında ndym tabanlı performans artırım yaklaşımları

    Ndsm-based potential enhancement approaches in object-based classification of multispectral uav data

    İLYAS AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Jeodezi ve FotogrametriGebze Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. UMUT GÜNEŞ SEFERCİK

  3. Tez No

    743839

    Havayolu kargo taşımacılığı modellemesi ve havayolu kargo ağının planlanması: Türkiye uygulaması

    Airline cargo transportation modeling and air cargo network planning: Turkey case

    UMUT AYDIN

    Doktora

    Türkçe

    Türkçe

    2022

    Sivil Havacılıkİstanbul Teknik Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. KEMAL BURÇ ÜLENGİN

  4. Tez No

    363687

    Turaç insansız hava aracının aerodinamik tasarım, modelleme ve analizi

    The aerodynamic desing, modelling and analysis of turac unmanned air vehicle

    ASLIHAN VURUŞKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Uçak Mühendisliğiİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. MAHMUT ADİL YÜKSELEN

  5. Tez No

    853760

    Türkiye'de olası karbon fiyatlandırmasının yenilenebilir enerji yatırımları ve emisyon azaltıcı uygulamalara olan etkisi

    The effect of possible carbon pricing on renewable energy investments and emission reduction practices in Türkiye

    CAFER ŞUTAŞDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilim ve Teknoloji Ana Bilim Dalı

    PROF. DR. MEHMET ÖZGÜR KAYALICA

Geri Dön