User: Guest  Login
Original title:
Nonlinear Aerodynamic Reduced-Order Modeling Using Neuro-Fuzzy Approaches 
Translated title:
Nichtlineare aerodynamische Modellbildung reduzierter Ordnung basierend auf Neuro-Fuzzy-Methoden 
Year:
2021 
Document type:
Dissertation 
Institution:
Fakultät für Luftfahrt, Raumfahrt und Geodäsie 
Advisor:
Breitsamter, Christian W. M. (Prof. Dr.) 
Referee:
Breitsamter, Christian W. M. (Prof. Dr.); Görtz, Stefan (Prof. Dr.) 
Language:
en 
Subject group:
MTA Technische Mechanik, Technische Thermodynamik, Technische Akustik; VER Technik der Verkehrsmittel 
Keywords:
Unsteady aerodynamics, Reduced-Order Modeling, Aeroelasticity, Neural Networks, Neuro-Fuzzy Models, System identification, Nonlinear dynamics, CFD, Data science, Machine learning 
Translated keywords:
Instationäre Aerodynamik, Modelle reduzierter Ordnung, Aeroelastik, Neuronale Netzwerke, Neuro-Fuzzy Modelle, Systemidentifikation, Nichtlineare Dynamik, CFD, Datenwissenschaften, Maschinelles Lernen 
TUM classification:
MTA 300d; VER 505d 
Abstract:
Subject of the present work is the development of nonlinear model-order reduction methods based on recurrent neuro-fuzzy approaches to efficiently predict motion-induced unsteady aerodynamic loads. The time-domain models reproduce the essential dynamics of the underlying CFD system and are capable of modeling the flight behavior across varying freestream conditions, pronounced shock motions, and structural vibrations. Hence, a significant efficiency enhancement is achieved for multidisciplinary...    »
 
Translated abstract:
In der vorliegenden Arbeit werden nichtlineare Modellreduktionsverfahren basierend auf Neuro-Fuzzy-Ansätzen entwickelt, um bewegungsinduzierte instationäre aerodynamische Lasten effizient vorherzusagen. Die Zeitbereichsmodelle reproduzieren die wesentliche Dynamik des zugrundeliegenden CFD-Systems und sind in der Lage, das Flugverhalten bei unterschiedlichen Anströmbedingungen, ausgeprägten Stoßwanderungen und Strukturschwingungen zu modellieren. Dadurch wird eine erhebliche Effizienzsteigerung...    »
 
Oral examination:
25.02.2021 
File size:
26161538 bytes 
Pages:
244 
Last change:
06.04.2021