NAMA : ABDULLAH ARIEF NIM : 10951005565 ARTIFICIAL INTELEGENT Judul Jurnal : Modeling Aircraft Wing Loads from Flight

Data Using Neural Networks ( Michael J. Allen and Ryan P. Dibley NASA Dryden Flight Research Center Edwards, California ) Hasil Resume : PEMODELAN BEBAN SAYAP PESAWAT PENERBANGAN DARI DATA MENGGUNAKAN JARINGAN SARAF TIRUAN Jaringan syaraf tiruan disini akan menggunakan suatu metode yang digunakan untuk mendapatkan model yang akurat beban pada pesawat yaitu beban torsi, dan permukaan kontrol engsel saat ketika pesawat dalam AAW ( Active Aeroelastic Wing). Alasan memilih menggunakan saraf tiruan ini adalah untuk pemodelan beban pesawat karena akan dapat menjelaskan karakter-karakter yang non linier dalam mempertahankan dan mengeneralisasi. Keakuratan jaringan syaraf tiruan ini terlebih dahulu ditingkatkan dengan mengembangkan model linier beban untuk digunakan sebagai titik awal untuk pelatihan jaringan. Dan hasil akhirnya berupa mendokumentasikan pengkondisian input data, parameter masukan seleksi, struktur, pelatihan, dan validasi dari model jaringan saraf.

UJI DATA PENERBANGAN Setiap sayap pesawat AAW adalah diinstrumentasi dengan sekitar 100 jembatan strain gage. ini strain gages menentukan momen engsel dari masing-masing empat permukaan kontrol serta lentur momen dan torsi beban di posisi sayap-akar dan sayap-kali lipat. Gambar 2 menunjukkan sayap-beban pengukuran lokasi. Tes tanah yang luas dilakukan untuk mengkalibrasi keluaran dari strain gages.10 Selama tes ini, sayap itu tertutup dengan 52 bantalan beban dibagi menjadi 16 zona beban yang menutupi 60 persen permukaan sayap lebih rendah.

DATA CONDITIONING Data penerbangan menjalani langkah conditioning data banyak sebelum mereka digunakan untuk membuat model beban. Langkah-langkah ini mulai dengan mengisi data dan putus hilang titik data menggunakan interpolasi linier. Data kemudian disinkronkan dalam waktu menggunakan tag waktu yang diukur dari pesawat. Data baku tersebut kemudian dihapus dengan alat penghapusan lonjakan interaktif, dan data disaring dengan 5-order lowpass Butterworth filter. Pengguna interaktif dipilih frekuensi cutoff filter menggunakan waktu sejarah dan frekuensi-domain plot. Filter dijalankan maju dan mundur untuk meminimalkan filter-induksi fase lag. Setelah penyaringan, data resampled pada sample rate dari posisi permukaan menggunakan linear interpolasi. Langkah selanjutnya dihapus titik data apapun yang ditambahkan dengan interpolasi selama sebelumnya langkah. Penghapusan ini dimungkinkan karena model beban yang statis. Penekanan yang tinggi ditempatkan pada data pengkondisian karena kekhawatiran bahwa data spike, data yang bising, atau data yang tidak valid dapat menyebabkan saraf jaringan untuk melatih untuk anomali dan dengan demikian menghambat kemampuan jaringan saraf untuk menggeneralisasi.

NAMA : ABDULLAH ARIEF NIM : 10951005565 ARTIFICIAL INTELEGENT PARAMETER MASUKAN SELEKSI Parameter yang digunakan untuk mengembangkan model beban ini dimulai dengan satu set kecil parameter berdasarkan pekerjaan sebelumnya. Teknik ini digunakan selama analisis regresi linier dan terbukti menjadi penting alat untuk pemilihan parameter input yang digunakan dalam model jaringan syaraf tiruan.

STRUKTUR JARINGAN SYARAF Sebuah jaringan saraf adalah jaringan fungsi tetap dengan keuntungan variabel dan bias. Keuntungan dan bias dari jaringan saraf yang iteratif disesuaikan untuk menghasilkan model yang diinginkan. Ukuran jaringan saraf ditentukan melalui studi parametrik. Selama penelitian ini, pisahkan pelatihan dan manuver manuver validasi diidentifikasi dan digunakan. Dengan cara ini, kinerja sebuah model yang diciptakan dengan manuver pelatihan dapat dievaluasi dengan manuver validasi. ituBagian berikutnya membahas pemilihan pelatihan dan manuver validasi. Kinerja ditentukan dengan membandingkan RMS kesalahan (ERMS) Dari persamaan (1):

dimana n adalah jumlah sampel dalam manuver tertentu, P adalah beban yang diukur, dan y adalah estimasi load. Penelitian ini menggunakan beban batas yang diambil dari spesifikasi desain beban batas dan uji penerbangan sebelumnya hasil. Studi parametrik dengan single dan double-layer tersembunyi jaringan saraf berbagai ukuran tidak menunjukkan signifikan perbaikan dengan menggunakan lapisan tersembunyi ganda.

dimana Z adalah output dari node dengan masukan x. Output dari node ini dijumlahkan bersama dengan istilah bias memberikan beban output model. PELATIHAN JARINGAN SYARAF Linear beban Model tersebut digunakan untuk menginisialisasi model jaringan saraf. inisialisasi adalah dicapai dengan melatih jaringan saraf dengan data yang dihasilkan dari

NAMA : ABDULLAH ARIEF NIM : 10951005565

ARTIFICIAL INTELEGENT model linear yang diberi serangkaian input acak. Pelatihan ini mirip hasil untuk kerja yang dilakukan oleh Ferrari dan Stengel, di mana set sistem linier digunakan untuk analitis membuat sistem jaringan saraf nonlinier.

KESIMPULAN HASIL Model jaringan saraf telah berhasil dibuat menggunakan Levenberg-Marquardt pelatihan dengan Bayesian peraturan untuk beban sayap model untuk pesawat Wing aeroelastik Aktif. Model yang diproduksi untuk sayap-root bending momen dan beban torsi, sayap-kali lipat momen lentur dan beban torsi, dan sayap-kontrol momen engsel permukaan dengan kecepatan Mach 0,90 dan ketinggian 15.000 ft model Linear diproduksi menggunakan regresi linier digunakan untuk inisialisasi jaringan saraf dan perbandingan akurasi. analisis jaringan saraf beban linier dan model menghasilkan kesimpulan berikut. 1. 2. 3. Penggunaan teknik regresi linier meningkatkan akurasi model jaringan saraf dengan menyediakan titik awal untuk jaringan saraf. Penggunaan teknik regresi linier sangat dibantu dalam pemilihan input model yang digunakan oleh Model jaringan saraf. Pesawat manuver yang terdiri dari gulungan, pembalikan dimuat, ternyata penyelesaian, dan permukaan individu doublet adalah cukup untuk pelatihan dan mengevaluasi model beban. Tunggal sembunyi-lapisan umpan-maju jaringan syaraf tiruan dengan lima hingga delapan node sudah cukup untuk pemodelan beban. Tren nonlinier dalam data penerbangan yang lebih akurat dimodelkan dengan jaringan saraf dibandingkan dengan linier regresi. Beban jaringan saraf model mampu menggeneralisasi beban sayap selama manuver validasi lebih baik daripada model linier, dengan perbaikan kesalahan RMS mulai 2-40 persen. rata-rata perbaikan model yang ditemukan menjadi 18,6 persen.

4. 5. 6.