초음속 자유낙하 모델의 정적 공력계수 및 동안정 미계수 예측 기법 :Prediction Methods of Static Aerodynamic Coefficient and Dynamic Stability Derivatives of Supersonic Free-Fall Model

김은주

추천

검색

자료유형: 학위논문

저자정보: 김은주 (건국대학교, 건국대학교 대학원)

지도교수: 박수형

발행연도: 2021

저작권: 건국대학교 논문은 저작권에 의해 보호받습니다.

이용수30

이 논문의 연구 히스토리 (2)

2021

초음속 자유낙하 모델의 정적 공력계수 및 동안정 미계수 예측 기법

김은주 항공우주정보시스템공학과 2021.01 학위논문

2020

자유낙하 모델의 정적계수와 동적계수의 분리에 Hough Algorithm과 다중선형회귀 방식의 적용

김은주 , 변영환 , 박수형 한국항공우주학회 학술발표회 초록집 2020.11 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

전 세계적으로 발사체나 우주 재진입체에 대한 관심이 높아지며 초고속 비행체 개발에 대한 연구가 활발히 이루어지고 있다. 개발된 비행체의 성능을 시험하는 가장 확실한 방법은 설계 운용 조건에서 실기체 시험을 진행하는 것이다. 그러나 실기체 시험을 위해서는 많은 비용과 시간이 소요된다. 따라서 실기체 실험 이전에 지상 시험 장비를 이용한 지상 시험이 필수적으로 요구된다. 최근 다양한 실험 장비로 넓은 분야의 초고속 비행체 실험이 진행되고 있다. 그중 비행체의 힘과 모멘트를 측정하는 연구는 초고속 비행체 설계에 있어 그 기준 성능을 예측하는데 필수적이다. 힘과 모멘트를 측정하는 방법에는 다양한 방법이 존재한다. 힘 모멘트 측정 방법중 자유낙하 실험방법은 지지대가 없어 실제 비행시험과 가장 유사한 실험 결과를 보인다. 대표적인 자유낙하 방식으로는 가속도계를 이용한 방법이 있다. 그러나 가속도계를 사용한 방식은 센서의 짧은 응답시간을 필요로 하며 모델 고유진동을 Signal recovery, Deconvolution, Lowpath filtering 기법 등으로 제거를 해주어야 한다는 단점이 존재한다.
본 연구에서는 제약과 한계를 극복하기 위해 자유낙하 실험에 이미지 프로세싱 기법을 도입하여 이미지만을 이용하여 보다 쉽고 빠르게 비행체에 작용하는 힘과 모멘트를 추정할 수 있는 방법을 고안하였다. 비행체에 걸리는 힘과 모멘트를 추정하기 위해서는 공력 계수의 예측이 매우 중요하다. 공력 계수 예측을 위해 이미지 프로세싱 기법의 일환인 Hough 알고리즘을 이용하여 모델의 직선과 양 끝점을 읽어오고 이를 통해 속도, 가속도, 각속도를 구하였다. KULT(Konkuk University Ludwieg Tube)를 이용하여 Cone과 HB-2 모델에 대한 자유낙하 실험을 실행하였고, 초고속 카메라를 이용하여 시계열 데이터를 확보하였다. 구한 데이터를 이용하여 3-DOF 방정식을 풀어 공력계수를 예측함으로써 비행체에 걸리는 힘과 모멘트를 파악할 수 있도록 하였다. 자유낙하 방식을 이용하여 추출한 공력계수는 정, 동적계수가 합해진 상태이다. 그 중 동안정 미계수라고 알려진 , 은 비행체의 비행 안정성 확보를 좌우하는 항이다. 따라서 이를 예측하는 것은 비행체의 비행 안정성 확보에 있어 매우 중요하다. 정, 동적계수를 분리하기 위해서 시계열 데이터가 필요하며 따라서 지지대를 이용하는 정적인 실험에서는 강제진동법과 같은 실험을 추가로 수행해야 이를 분리할 수 있다. 그러나 자유낙하 실험의 경우 시계열 데이터를 별도의 실험 없이 바로 획득할 수 있다. 본 연구에서는 머신러닝의 일종인 사이킷 런을 활용한 다중 선형회귀 방식을 통해 이를 예측하였고, CFD 계산 값과 분리한 정적 계수를 비교하여 정, 동적계수 분리가 정확히 이루어졌음을 확인하였다.

Recently, interest in Missile and reentry has increased, and research on the development of high-speed aircraft is being actively conducted. The most accurate way to test the performance of the developed aircraft is to conduct the actual flight test under the design operating conditions. However, actual flight test is expensive and time-consuming. Therefore, ground testing using ground test equipment is essential before the actual test. Recently, a wide range of high-speed aircraft experiments have been conducted with various experimental equipment. Among them, studies measuring the force and moment of an aircraft are essential for predicting its reference performance in the design of a aircraft. There are various methods for measuring force and moment. Among them, free-fall experiments have no support, showing the most similar results to actual flight tests. A typical free-fall method is the use of accelerometers. However, it requires a short response time of the sensor, and there are disadvantages of removing model natural vibrations with Signal recovery, deconvolution, and lowpath filtering techniques.
To overcome constraints and limitations, this study has devised a method using image processing techniques in free-fall experiments. Using only images, a method was devised to estimate the forces and moments acting on the aircraft more easily and quickly. The prediction of the Aerodynamic Coefficient is very important to estimate the force and moment of the aircraft. To predict the Aerodynamic Coefficient the Hough algorithm, which is part of the image processing technique, has been used to read the straight lines and the two ends of the model and thus obtained speed, acceleration and angular velocity. Free-fall experiments were conducted on Cone and HB-2 models using KULT (Konkuk University Ludwieg Tube), and time series data were obtained using high speed cameras. Using the data obtained, the 3-DOF equation was solved so that the force and moment of the aircraft could be determined by predicting the Aerodynamic Coefficient. The coefficient extracted using the free fall method is the sum of the static and dynamic coefficients. Among them, a term known as a stability derivatives is a term that determines flight stability of the aircraft. Therefore, predicting this term is very important for flight stability for the aircraft. Time series data are required to separate static and dynamic coefficients, so in static experiments using supports, additional experiments such as forced vibration Technique can be performed. However, for free-fall experiments, time series data can be acquired immediately without another experiment. In this study, we predicted dynamic stability term using a multiple linear regression, a kind of machine-learning, and compared the CFD data with the separate static coefficients to confirm that the separation of static and dynamic coefficients was done correctly.

#Free-Fall(자유낙하) #Dynamic Stability Derivatives(동안정 미계수) #Force and Moment(힘 모멘트 측정) #Image Processing Method(이미지 프로세싱 기법) #Hough Algorithm(허프 알고리즘) #Scikit-Learn(사이킷 런)

제1장 서론 . 1
제1절 연구배경 . 1
1. 초음속 힘 모멘트 측정 연구 동향 1
2. 정, 동적계수 분리의 필요성 2
제2절 연구목적 및 내용 2
제2장 자유낙하를 이용한 힘 모멘트 측정 기법 . 4
제1절 운동방정식 . 4
1. 6-DOF . 4
2. 3-DOF . 10
제2절 Image Processing Method . 13
1. Hough Algorithm . 13
2. 이미지 Trim 기법의 적용 21
3. Boundary 검출 코드 구현 . 24
4. Hough Algorithm을 이용한 실험값 추출법 . 27
5. GPR (Gaussian Process Regression) . 30
제3절 정, 동적계수 분리 . 32
1. 다중선형회귀를 이용한 정, 동적계수 분리법 . 32
2. 단순선형회귀와 다중선형회귀 . 33
3. Case Study 진행 35
제4절 전산유체 해석 42
1. Cone 모델의 전산유체 해석 . 42
2. HB-2 모델의 전산유체 해석 . 44
제3장 자유낙하 실험을 통한 측정 47
제1절 실험 장비 47
1. 초음속 실험 장비 . 47
2. KULT(Konkuk University Ludwieg Tube) 50
제2절 자유낙하 모듈 52
1. 기존 자유낙하 모듈 . 52
2. 지지대와 전자석 변경 . 53
3. Pulse Generator의 연결 . 55
4. 자유낙하 회로 변경 . 57
5. KULT 상판 형상 변경 . 59
제3절 실험모델 . 60
1. Cone Model 60
2. HB-2 Model 62
제4절 자유낙하 실험 진행 64
1. Thread를 이용한 자유낙하 실험 진행 . 64
2. 이미지 획득법 . 66
제4장 실험 결과 분석 67
제1절 Cone 모델의 실험결과 분석 67
1. Cone 모델의 공력계수 추출 67
2. Cone 모델의 정, 동적계수 분리 69
제2절 HB-2 모델의 실험결과 분석 . 72
1. HB-2 모델의 공력계수 추출 72
2. HB-2 모델의 정, 동적계수 분리 . 73
제5장 결론 . 77
참고문헌 . 79
국문초록 83

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)