Machine-Learning Surrogates for Airfoil Pitching Moment: Accuracy, Extrapolation, and the Finite-Thickness Shift of the Aerodynamic Center
Diese Arbeit evaluiert maschinelle Lern-Surrogate zur Vorhersage der Nickmomente von NACA 4-stelligen Profilen unter Verwendung von Potenzströmungsdaten, wobei sie aufzeigt, dass die endliche Dicke den aerodynamischen Druckpunkt hinter das Viertelchord verschiebt, und demonstriert, dass Random-Forest-Modelle zwar innerhalb der Trainingsbereiche eine hohe Genauigkeit erreichen, jedoch Extrapolationsfehler bei neuen Profilformen nicht erkennen, trotz der physikalischen Robustheit der Zielgröße.