Machine learning approaches for aircraft stall and flight dynamics new modeling: a study on CRJ-700 and Cessna Citation X

Tondji Chendjou, Yvan Wilfried (2024). Machine learning approaches for aircraft stall and flight dynamics new modeling: a study on CRJ-700 and Cessna Citation X. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (9MB) | Prévisualisation

Résumé

In a context where the aviation industry faces the imperative challenge of environmental sustainability and operational efficiency, the pursuit of advanced aerodynamic modeling is essential. This thesis presents an in-depth study on the integration of advanced Machine Learning (ML) techniques for aerodynamic and flight dynamics modeling of aircraft, specifically focusing on the CRJ-700 and Cessna Citation X aircraft. The research leverages Artificial Neural Networks (ANN) and Support Vector Regression (SVR) for the estimation of aircraft aerodynamics across different flight scenarios, including the critical stall phase.

Essential data for this study was gathered using the CRJ-700 Virtual Research and Engineering Flight Simulator (VRESIM) and the Cessna Citation X Research Aircraft Flight Simulator (RAFS). Both simulators are Level D certified by the Federal Aviation Administration (FAA) and were designed by CAE for LARCASE research. A range of diversified maneuvers performed on these two flight simulators allowed for the recording of a comprehensive set of flight parameters data that were used to estimate aerodynamic coefficients, crucial for training and validating the artificial intelligence models developed in this thesis.

The first contribution to this research shown the effectiveness of Multilayer Perceptrons (MLP), a category of ANN, and SVR in predicting longitudinal aerodynamics of the CRJ-700 using data collected on the VRESIM. Bayesian Optimization (BO) and the K-fold cross validation methods ensured the accuracy and robustness of the models. They were validated by comparing the predicted longitudinal aerodynamic coefficients with experimental data obtained from the VRESIM. The developed models were able to predict aerodynamic coefficients with Mean Absolute Relative Errors (MARE) below 1% for lift and drag coefficients and below 5.74% for pitching moment coefficients. The longitudinal flight parameters simulated from these predicted aerodynamic coefficients were aligned with FAA criteria standards.

Building on the robust methodology established for longitudinal dynamics, the thesis methodically addressed the modeling of the CRJ-700's lateral dynamics, using data from the VRESIM. Employing MLP and SVR, the study meticulously predicts lateral aerodynamic coefficients, essential for the maneuverability and stability of the aircraft. These models showed very good accuracy, with MARE below 5%. The lateral flight parameters simulated from these predicted aerodynamic coefficients were also conformed with FAA guidelines.

The third contribution extended this approach to modeling the stall behavior of the CRJ-700. The innovative use of MLP and Recurrent Neural networks (RNN) was demonstrated in modeling the more complex and transient phenomena of dynamic stall, contributing to a comprehensive understanding of aircraft behavior during such critical phases. The models developed using the proposed methodology could predict the CRJ-700 flight dynamics in both static and dynamic stall conditions, with MARE below 1% for lift and drag coefficients, and 4.6% for pitching moment coefficients.

The methodology was subsequently applied to model the dynamic stall of the Cessna Citation X aircraft, using data from the RAFS. This application confirmed the flexibility and adaptability of our approach to different types of aircraft. The results obtained also showed very high accuracy, highlighting the versatility and effectiveness of the developed ML methods for predicting aircraft stall.

Titre traduit

Approches d'apprentissage automatique pour des nouvelles méthodes de modélisation du décrochage et de la dynamique de vol des avions: une étude sur le CRJ-700 et le Cessna Citation X

Résumé traduit

Dans un contexte où l'industrie Aéronautique est confrontée aux défis de la durabilité environnementale et de l’efficacité opérationnelle, la poursuite d’une modélisation aérodynamique avancée est essentielle. Cette thèse présente une étude approfondie sur l'application des techniques avancées d'apprentissage automatique pour la modélisation aérodynamique et de la dynamique de vol des avions, en particulier pour les avions CRJ-700 et Cessna Citation X. La recherche s'appuie sur l'usage des réseaux de neurones artificiels « Artificial Neural Networks (ANN) » et de la régression par vecteurs de support « Support Vector Regression (SVR) » pour la modélisation aérodynamique des avions dans divers scénarios de vol, y compris pendant la phase critique de décrochage.

Les données essentielles pour cette étude ont été collectées grâce au simulateur de vol virtuel pour la recherche et l'ingénierie (VRESIM) du CRJ-700 et du simulateur de vol pour avions de recherche (RAFS) du Cessna Citation X. Ces deux simulateurs sont certifiés de niveau D par l'Administration fédérale de l'aviation (FAA) et ont été conçus par CAE pour la recherche au LARCASE. Une série de manoeuvres diversifiées a été réalisées sur ces deux simulateurs de vol, permettant d'enregistrer un ensemble de paramètres de vols utilisés pour calculer les coefficients aérodynamiques. Cet ensemble de donnés a servi pour l'entraînement et la validation des modèles d'intelligence artificielle développés au cours de cette thèse.

La première contribution de cette recherche a mis en évidence l'efficacité des perceptrons multicouches « Multilayer Perceptrons (MLP) », une catégorie de ANN, et des SVR dans la prédiction de la dynamique longitudinale du CRJ-700 en utilisant des données de vol collectées sur le VRESIM. Grâce à l'optimisation bayésienne et la méthode de validation croisée « k-fold », la précision et la robustesse des modèles ont été assurés. Ces derniers ont été validés en comparant les coefficients aérodynamiques longitudinaux prédits avec des données réelles issues du VRESIM. Les modèles développés ont ainsi été capables de prédire les coefficients aérodynamiques avec des erreurs relatives moyennes absolues en dessous de 1% pour les coefficients de portance et de traînée, et en dessous de 5.74% pour les coefficients de moment de tangage. Les paramètres de vol longitudinaux simulés à partir de ces coefficients aérodynamiques prédits se sont avérés conformes aux normes de la FAA.

En s'appuyant sur la méthodologie établie pour la dynamique longitudinale, la seconde contribution aborde méthodiquement la modélisation de la dynamique latérale du CRJ-700, en utilisant les données recueillis du VRESIM. En utilisant les MLP et SVR, l’étude prédit méticuleusement les coefficients aérodynamiques latéraux, essentiels pour la manoeuvrabilité et la stabilité de l'avion. Ces modèles ont démontré une très bonne précision, en affichant des erreurs relatives moyennes absolues inférieures à 5%. Les paramètres de vol latéraux simulés à partir de ces coefficients aérodynamiques prédits répondent également à tous les critères de tolérance de la FAA.

La troisième contribution a permis d’étendre cette approche à la modélisation du comportement en décrochage du CRJ-700. L'utilisation des MLP et des réseaux de neurones récurrents « Recurrent Neural Network (RNN) » a été efficace pour modéliser les phénomènes complexes du décrochage dynamique, enrichissant de ce fait notre compréhension globale du comportement de l'appareil dans ces phases critiques. Les modèles développés en utilisant la méthodologie proposée ont été capables de prédire la dynamique de vol du CRJ-700 dans des conditions de décrochage statique et dynamique avec des erreurs relatives moyennes inférieures à 1% pour les coefficients de portance et de trainée, et de 4.6% pour les coefficients de moment de tangage.

La méthodologie a été par la suite appliquée pour modéliser le décrochage dynamique de l’avion Cessna Citation X, en utilisant les données provenant du RAFS. Cette application a confirmé la flexibilité et l’adaptabilité de notre approche à différents types d’avions. Les résultats obtenus ont également montré une très grande précision, mettant en évidence la polyvalence et l'efficacité des méthodes d'apprentissage automatique développées pour prédire le décrochage des avions.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 195-208).
Mots-clés libres:	modélisation, identification, aérodynamique, intelligence artificielle, apprentissage automatique, réseau de neurones, régression par les vecteurs de support
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Botez, Ruxandra
Codirecteur:	Codirecteur Ghazi, Georges
Programme:	Doctorat en génie > Génie
Date de dépôt:	07 nov. 2024 14:42
Dernière modification:	07 nov. 2024 14:42
URI:	https://espace.etsmtl.ca/id/eprint/3497

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt