Jenerik savaş uçağı için aerodinamik veri tabanı elde etmek amacıyla çoklu doğruluklu veri birleştirme tekniklerinin incelenmesi

Aerodinamik veri setleri bir hava aracının uçuş performansı, uçuş dinamiğinin belirlenmesinde kulanılan önemli bir kaynaktır. Aerodinamik veri setleri farklı uçuş koşullarına karşılık gelen aerodinamik katsayıları içerir ve bu katsayılar farklı kaynaklardan farklı doğruluk değerlerinde elde edilebilmektedir. En doğru değerler uçuş testlerinden alınmakta olup, sonrasında büyük ve küçük ölçekli rüzgar testleri, hesaplamalı akışkanlar dinamiği simülasyonları ve nümerik çözücüler farklı doğrulukta aerodinamik veri elde edilmesinde kullanılır. Yüksek doğruluklu veri, hava aracına ait parametrelerin yorumunda doğru sonuçlar vermektedir ancak yüksek doğruluklu verilerin elde edilmesi iş gücü olarak maliyetli ve zaman alıcıdır. Çoklu doğruluklu veri birleştirme yöntemlerinin varlığı ile yüksek ve düşük doğruluklu verilerin kullanılması mümkün olmuştur. Böylece yüksek doğruluklu veriye ihtiyaç azalmış ve daha verimli, iş gücü ve zamandan tasarruf edilmiştir. Bu çalışmada kullanılan jenerik savaş uçağınden elde edilen düşük ve yüksek doğruluklu veriler co-Kriging, çoklu-doğruluklu Gauss Süreç Regresyonu ve çoklu doğruluklu sinir ağları yöntemleri ile kullanılmıştır. Verilerin elde edilmesinde iki farklı veri kaynağı kullanılmıştır. Düşük doğruluklu veriler OpenVSP programında Vortex-Lattice metodu ve yüksek doğruluklu veriler ANSYS Fluent programında k-ω SST çözücü kullanılarak elde edilmiştir.Her iki kaynaktan -15 ile +15 derece hücum açısı aralığında kaldırma, sürükleme ve pitch moment katsayıları alınmıştır. Her iki veri kaynağından alınan veriler farklı miktarlarda kullanılarak test-caseler oluşturulmuş ve her üç yöntemin performansları incelenmiştir. Her üç yönteminde yüksek doğruluklu veri sayısının artmasıyla yönteme ait tahminlerinin yüksek doğruluklu veriler ile örtüştüğü belirtilmiştir. Co-Kriging yönteminde veri noktalarının yerinin değiştirilmesiyle tahmin performansının değiştiği bu yüzden co-Kriging yönteminin diğer yöntemlere göre daha hassas olduğu gözlemlenmiştir. MF-GPR yönteminin diğer yöntemler arasında en iyi tahmin sonuçlarını verdiği ve MF-NN modelinin eğitilmesinde düze yakın eğimlerde iyi tahmin yeteneğine sahipken, eğimi fazla durumda daha fazla yüksek doğruluklu noktaya ihtiyacı olduğu belirlenmiştir.