I. Tổng quan về mạng nơron nhận dạng tham số khí động thiết bị bay
Nhận dạng tham số khí động là nhiệm vụ then chốt trong quy trình thiết kế thiết bị bay. Các tham số khí động bao gồm hệ số nâng, lực cản, mô men điều khiển đóng vai trò quyết định đến hiệu suất bay. Truyền thống, quá trình này dựa vào thử nghiệm ống thổi khí động hoặc hồi quy tuyến tính. Tuy nhiên, các phương pháp này gặp hạn chế khi xử lý dữ liệu phi tuyến phức tạp. Mạng nơron nhân tạo (ANN) nổi lên như giải pháp đột phá. Công nghệ này có khả năng học các mối quan hệ phi tuyến từ dữ liệu thực nghiệm. Viện Khoa học và Công nghệ quân sự đã nghiên cứu ứng dụng ANN trong nhận dạng đạo hàm hệ số khí động kênh độ cao. Kết quả cho thấy độ chính xác cải thiện đáng kể so với phương pháp truyền thống. Nghiên cứu tập trung vào mạng nơron thế hệ hai và mạng nơron đột biến (SNN). Đây là hướng đi mới mang tính ứng dụng cao trong ngành hàng không quân sự Việt Nam.
1.1. Khái niệm tham số khí động trong thiết kế thiết bị bay
Tham số khí động là các đại lượng đặc trưng cho lực và mô men tác dụng lên thiết bị bay trong quá trình chuyển động. Chúng bao gồm các hệ số khí động như Cx (hệ số lực cản), Cy (hệ số lực nâng), mz (hệ số mô men pitching). Các đạo hàm hệ số khí động thể hiện sự thay đổi của lực và mô men theo các tham số trạng thái bay. Giá trị các tham số này phụ thuộc vào hình học khí động, góc tấn, tốc độ bay và độ cao. Việc xác định chính xác chúng là điều kiện tiên quyết để thiết kế hệ thống điều khiển ổn định.
1.2. Vai trò của nhận dạng tham số khí động trong quy trình thiết kế
Nhận dạng tham số khí động đảm bảo thiết bị bay đáp ứng các chỉ tiêu chiến kỹ thuật. Các chỉ tiêu bao gồm tốc độ cực đại, khả năng tăng tốc, khả năng cơ động, cự ly và trần bay. Quá trình nhận dạng dựa trên dữ liệu bay thực nghiệm để đánh giá đặc tính khí động. Nếu tham số không đạt yêu cầu, thiết kế hình học và cấu trúc khí động phải điều chỉnh. Quá trình này có thể lặp lại nhiều lần cho đến khi đạt sơ đồ khí động tối ưu. Kết quả nhận dạng là cơ sở khoa học để hiệu chỉnh và hoàn thiện thiết kế thiết bị bay.
II. Phân tích thách thức trong nhận dạng tham số khí động truyền thống
Phương pháp nhận dạng tham số khí động truyền thống đối mặt nhiều thách thức lớn. Mô hình khí động của thiết bị bay mang tính chất phi tuyến mạnh. Mối quan hệ giữa các tham số phức tạp, phụ thuộc lẫn nhau. Dữ liệu bay thực nghiệm chứa nhiễu đo lường và sai số hệ thống. Phương pháp hồi quy tuyến tính (LR) hạn chế trong việc xấp xỉ hàm phi tuyến. Quá trình tính toán Gauss-Newton truyền thống dễ hội tụ cực tiểu cục. Ngoài ra, dữ liệu thử nghiệm thu được từ các chuyến bay thực tế thường không đầy đủ. Số lượng tham số cần nhận dạng lớn so với lượng dữ liệu có sẵn. Bài toán nhận dạng trở thành bài toán ngược không có nghiệm duy nhất. Các yếu tố này làm giảm độ tin cậy của kết quả nhận dạng. Cần phát triển phương pháp mới có khả năng xử lý dữ liệu phức tạp hiệu quả hơn.
2.1. Tính phi tuyến và phức tạp của mô hình khí động học
Mô hình động học của thiết bị bay là hệ phương trình vi phân phi tuyến phức tạp. Các hệ số khí động thay đổi theo góc tấn, số Mach và số Reynolds. Mối quan hệ giữa lực khí động và trạng thái bay không tuyến tính. Biến động tải trọng, áp suất và nhiệt độ ảnh hưởng đến đặc tính khí động. Mô hình tuyến tính hóa chỉ chính xác trong vùng làm việc hẹp. Khi thiết bị bay hoạt động ở biên giới chế độ bay, sai số tuyến tính hóa tăng đáng kể. Điều này đòi hỏi phương pháp nhận dạng có khả năng xử lý phi tuyến tốt hơn.
2.2. Hạn chế của phương pháp hồi quy tuyến tính trong xử lý dữ liệu bay
Phương pháp hồi quy tuyến tính (LR) giả định mối quan hệ tuyến tính giữa đầu vào và đầu ra. Giả định này không phản ánh đúng bản chất phi tuyến của hệ thống khí động. LR nhạy cảm với dữ liệu nhiễu và điểm ngoại lai. Phương pháp dễ rơi vào tình trạng overfitting hoặc underfitting. Thời gian tính toán tăng nhanh khi số chiều dữ liệu lớn. LR không có khả năng học các mẫu phức tạp từ dữ liệu thực nghiệm. Kết quả nhận dạng có thể sai lệch đáng kể so với giá trị thực. Đây là động lực chính để nghiên cứu áp dụng mạng nơron nhân tạo.
III. Giải pháp mạng nơron nhân tạo cho bài toán nhận dạng tham số khí động
Mạng nơron nhân tạo (ANN) cung cấp giải pháp hiệu quả cho bài toán nhận dạng tham số khí động. ANN có khả năng học hàm phi tuyến任意 phức tạp từ dữ liệu huấn luyện. Nghiên cứu sử dụng hai loại mạng chính: ANN thế hệ hai và mạng nơron đột biến (SNN). ANN thế hệ hai áp dụng thuật toán lan truyền ngược cải tiến cho kênh độ cao máy bay. SNN mô phỏng nguyên lý hoạt động của nơron sinh học, xử lý tín hiệu xung. Thuật toán SpikeProp và NSEBP được đề xuất cho quá trình luyện mạng SNN. Phương pháp nhận dạng ML theo sai số đầu ra kết hợp thuật toán tính toán Gauss-Newton (GN). Quá trình nhận dạng tuân theo quy trình: xây dựng mô hình, huấn luyện, xác nhận. Dữ liệu bay thực nghiệm được chia thành tập huấn luyện và tập kiểm tra. Kết quả so sánh với phương pháp LR cho thấy ưu thế vượt trội của mạng nơron.
3.1. Mạng nơron nhân tạo thế hệ hai và ứng dụng trong kênh độ cao
ANN thế hệ hai sử dụng hàm kích hoạt phi tuyến và cấu trúc nhiều lớp. Mạng học được mối quan hệ phức tạp giữa đầu vào (tín hiệu điều khiển) và đầu ra (trạng thái bay). Trong kênh độ cao, đầu vào bao gồm góc lái độ cao và các tham số bay. Đầu ra là độ cao, tốc độ thay đổi độ cao và góc pitching. Cấu trúc mạng được tối ưu qua thử nghiệm với số nơron và số lớp ẩn khác nhau. Thuật toán lan truyền ngược cải tiến giúp tăng tốc hội tụ. Kết quả nhận dạng cho thấy sai số nhỏ hơn đáng kể so với LR.
3.2. Mạng nơron đột biến và thuật toán luyện mạng SpikeProp NSEBP
Mạng nơron đột biến (SNN) là thế hệ mạng nơron thứ ba, mô phỏng chính xác hơn nơron sinh học. SNN xử lý thông tin dưới dạng xung điện thay vì giá trị liên tục. Thuật toán SpikeProp mở rộng lan truyền ngược cho tín hiệu xung thời gian thực. Phương pháp NSEBP cải thiện quá trình học bằng cách điều chỉnh ngưỡng phát xung. SNN có ưu điểm về khả năng tính toán nhanh và tiêu thụ năng lượng thấp. Trong nhận dạng tham số khí động, SNN thể hiện khả năng học mẫu tốt từ dữ liệu thời gian thực. Kết quả thử nghiệm cho thấy SNN có tiềm năng áp dụng trong hệ thống nhúng trên thiết bị bay.
IV. Kết luận và ứng dụng mạng nơron trong thiết kế thiết bị bay
Nghiên cứu đã chứng minh hiệu quả của mạng nơron trong nhận dạng tham số khí động kênh độ cao. ANN thế hệ hai cho kết quả chính xác cao với sai số nhỏ hơn 5% so với giá trị thực nghiệm. SNN mở ra hướng tiếp cận mới với khả năng xử lý tín hiệu thời gian thực. Phương pháp nhận dạng ML kết hợp thuật toán GN đảm bảo tính hội tụ và ổn định. Kết quả nghiên cứu được xác nhận bằng dữ liệu bay thực tế của máy bay cánh bằng có người lái. Ứng dụng chính bao gồm: đánh giá thiết kế khí động, hiệu chỉnh mô hình mô phỏng, tối ưu hệ thống điều khiển tự động. Công nghệ này giúp rút ngắn thời gian phát triển thiết bị bay mới. Triển vọng áp dụng trong thiết kế tên lửa, UAV và các phương tiện bay không người lái. Nghiên cứu mở đường cho ứng dụng trí tuệ nhân tạo trong ngành hàng không quốc phòng Việt Nam.
4.1. Kết quả đạt được và đánh giá độ chính xác mô hình nhận dạng
Kết quả nghiên cứu cho thấy ANN thế hệ hai có độ chính xác cao nhất trong nhận dạng tham số khí động kênh độ cao. Sai số trung bình giữa giá trị nhận dạng và thực nghiệm đạt dưới 5%. Mô hình SNN cho kết quả khả quan với thời gian tính toán nhanh hơn. So sánh với phương pháp LR truyền thống, mạng nơron giảm sai số từ 15-20% xuống còn 3-5%. Quá trình xác nhận mô hình sử dụng dữ liệu bay độc lập cho kết quả ổn định. Các chỉ tiêu đánh giá bao gồm RMSE, MAE và hệ số tương quan R² đều đạt mức tốt.
4.2. Ứng dụng thực tiễn và triển vọng phát triển trong lĩnh vực hàng không
Kết quả nghiên cứu có tiềm năng ứng dụng rộng rãi trong ngành hàng không quốc phòng. Phương pháp mạng nơron giúp đánh giá nhanh đặc tính khí động trong giai đoạn thiết kế sơ bộ. Ứng dụng trong mô phỏng bay giúp xây dựng mô hình động học chính xác hơn. Triển vọng áp dụng cho các loại thiết bị bay khác nhau: UAV, tên lửa, máy bay chiến đấu. Công nghệ này hỗ trợ quá trình hiệu chỉnh hệ thống điều khiển tự động. Nghiên cứu tiếp theo có thể mở rộng sang nhận dạng tham số khí động đa kênh. Hướng phát triển bao gồm tích hợp mạng nơron sâu và học tăng cường.
