Machine-Learning Surrogates for Airfoil Pitching Moment: Accuracy, Extrapolation, and the Finite-Thickness Shift of the Aerodynamic Center
Dit artikel evalueert machine learning-surrogaten voor het voorspellen van de kantelmomenten van NACA 4-cijferige profielen met behulp van potentievloeistofgegevens, waarbij wordt onthuld dat eindige dikte het aerodynamisch centrum naar achteren verschuift ten opzichte van het kwart van de koorde en wordt aangetoond dat hoewel random forest-modellen een hoge nauwkeurigheid bereiken binnen de trainingsbereiken, ze er niet in slagen extrapolatiefouten op nieuwe profielvormen te detecteren ondanks de fysieke robuustheid van de doelgrootheid.