Resumen

Las pruebas de túnel de viento para medir la presión del flujo de la cavidad inestable pueden ser caras, largas y tediosas. En este trabajo se comprueba la viabilidad de una técnica de aprendizaje automático activo para diseñar recorridos en el túnel de viento utilizando datos indirectos. El esquema de aprendizaje activo propuesto utiliza la aproximación de datos dispersos junto con el muestreo de incertidumbre (US). Aplicamos la estrategia de muestreo inteligente propuesta en la caracterización de clases de flujo de cavidad a velocidades subsónicas y transónicas y demostramos que el esquema tiene mejores precisiones de clasificación, utilizando menos puntos de entrenamiento, que una estrategia pasiva de muestreo de hipercubos latinos (LHS).

• Materias:Reacciones químicas Minería de datos Aerodinámica Ingeniería aeroespacial Vehículo espacial
• Subjects:Chemical reactions Data mining Aerodynamics Aerospace engineering Space vehicles
• Palabras claves:técnicas de aprendizaje automático, menos puntos de entrenamiento, mayor precisión de clasificación, muestreo de hipercubos latinos, clase de flujo de cavidad, medición de la presión del flujo, aproximación de datos dispersos, hipercubo latino pasivo, esquema de aprendizaje activo, estrategia de muestreo inteligente
• Keywords:machine learning techniques, fewer training point, better classification accuracy, latin hypercube sampling, cavity flow class, flow pressure measurement, scattered data approximation, passive latin hypercube, active learning scheme, intelligent sampling strategy