인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
The control performance of aerospace systems such as missiles highly depends on the accuracy of aerodynamic models. In particular, uncertainties in the center-of-pressure (CP) can significantly degrade stability due to their direct influence on aerodynamic moments. Conventional statistical or data-driven models often show limited interpolation capabilities and lack physical consistency. Therefore, this study proposes a dynamics-embedded neural ordinary differential equation framework to estimate nonlinear CP errors. The method models only the uncertain CP error with a neural network while explicitly embedding it within rigid-body dynamics. An integral-form loss function is introduced to capture the temporal characteristics of flight data and, enhance noise robustness and data efficiency. Validation using high-fidelity, six degrees-of-freedom simulation data demonstrates that the proposed model accurately identifies nonlinear CP errors and generalizes well to unseen flight conditions. Moreover, it produces smooth and physically consistent interpolation in data-sparse regions, indicating that the model learns intrinsic physical relationships rather than memorizing trajectories. This work presents a dynamics-embedded learning framework that combines analytical dynamics with neural modeling, providing a reliable and interpretable approach for aerodynamic uncertainty estimation in complex aerospace systems.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-096089015
