用于快速起飞轨迹设计的物理约束生成式人工智能
机器学习
2025-01-08 v1
摘要
为了助力城市空中交通（UAM），电动垂直起降（eVTOL）航空器正成为发展目标。传统的多学科分析与优化（MDAO）成本高昂，而基于代理的优化在处理复杂的物理约束时往往面临困难。本研究提出物理约束生成对抗网络（physicsGAN），以智能地参数化 eVTOL 航空器的起飞控制剖面，并将原始设计空间转换为可行空间。具体而言，转换后的可行空间是指所有设计均直接满足所有设计约束的空间。基于 physicsGAN 的代理起飞轨迹设计框架在 Airbus A3 Vahana 上进行了演示。physicsGAN 在可行空间中生成的功率和机翼角控制剖面约有 98.9% 满足所有约束。与基于仿真的最优设计相比，所提出的设计框架获得了 99.6% 的准确率，且仅需 2.2 秒，将计算时间缩短了约 200 倍。同时，基于数据驱动 GAN 的代理优化使用无导数优化器耗时 21.9 秒，比所提出的框架慢约一个数量级。此外，使用基于梯度的优化器的数据驱动 GAN 优化在随机试验中无法持续找到最优设计，并陷入不可行区域，这在实际应用中是有问题的。因此，所提出的基于 physicsGAN 的设计框架在效率（2.2 秒）、最优性（99.6% 准确率）和可行性（100% 可行）方面优于基于数据驱动 GAN 的设计。据文献综述，这是首个由代理模型实现的物理约束生成式人工智能。
引用
@article{arxiv.2501.03445,
title = {Physics-Constrained Generative Artificial Intelligence for Rapid Takeoff Trajectory Design},
author = {Samuel Sisk and Xiaosong Du},
journal= {arXiv preprint arXiv:2501.03445},
year = {2025}
}
备注
Conference version with 10 pages and 7 figures