Scribd
Importer
1 vues3 pages

TP Machine Learning

Le TP vise à étudier l'influence des paramètres aérodynamiques sur la portance et la traînée en utilisant diverses méthodes de régression. Les étudiants devront préparer un dataset, entraîner plusieurs modèles de Machine Learning, et comparer leurs performances avec des formules physiques. Les résultats incluront une analyse de surapprentissage, l'importance des variables, et des recommandations pour la conception d'ailes.

Transféré par

aberkannounou
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
1 vues3 pages

TP Machine Learning

Le TP vise à étudier l'influence des paramètres aérodynamiques sur la portance et la traînée en utilisant diverses méthodes de régression. Les étudiants devront préparer un dataset, entraîner plusieurs modèles de Machine Learning, et comparer leurs performances avec des formules physiques. Les résultats incluront une analyse de surapprentissage, l'importance des variables, et des recommandations pour la conception d'ailes.

Transféré par

aberkannounou
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

TP Machine Learning – Aérodynamique d’avion

Niveau : Master aéronautique (Construction)

1. Objectif du TP

• Étudier l’influence des paramètres aérodynamiques sur la portance (Lift) et la traînée


(Drag)

• Utiliser plusieurs méthodes de régression pour prédire Lift et Drag

• Comparer les modèles de Machine Learning avec les formules physiques

• Analyser le surapprentissage, la robustesse et l’importance des variables

2. Contexte

La portance et la traînée dépendent de :

Variables :

• V : vitesse (m/s)

• ρ : densité air (kg/m³)

• S : surface aile (m²)

• AR : allongement aile

• CL : coefficient de portance (fonction de α, Re, AR)

• CD : coefficient de traînée (fonction de CL, AR, Re)

3. Dataset fourni

Velocity Alpha Rho Surface AR Re CL CD Lift Drag

60 2 1.225 16 7 96000 0.20 0.0216 1411 152

65 3 1.20 16 7.2 104000 0.30 0.0236 1825 215

70 4 1.18 16 7.5 112000 0.40 0.0264 2360 311


Velocity Alpha Rho Surface AR Re CL CD Lift Drag

75 5 1.15 16 7.7 120000 0.50 0.0300 3234 435

80 6 1.12 16 8 128000 0.60 0.0344 4300 617

85 7 1.10 16 8.2 136000 0.70 0.0396 5550 874

90 8 1.08 16 8.5 144000 0.80 0.0456 6998 1225

95 9 1.05 16 8.7 152000 0.90 0.0524 8700 1695

100 10 1.03 16 9 160000 1.00 0.0600 10600 2310

105 11 1.00 16 9.2 168000 1.10 0.0684 12800 3090

4. Étapes à suivre

Étape 1 – Préparation des données

1. Augmenter le dataset.

2. Séparer les variables d’entrée les sorties.

3. Séparer les données en train (80%) et test (20%).

4. Normaliser les données si nécessaire.

Étape 2 – Régression linéaire

1. Entraîner un modèle de régression linéaire.

2. Faire les prédictions sur le test set.

3. Calculer les métriques : MSE, RMSE, MAE, R².

4. Tracer Lift réel vs Lift prédit et Drag réel vs Drag prédit.

Étape 3 – Régressions avancées

Répéter les mêmes étapes pour :

• Régression polynomiale

• Decision Tree Regressor

• Random Forest Regressor

• Gradient Boosting Regressor

• Réseau de neurones (MLP)


Étape 4 – Analyse et comparaison

1. Comparer les modèles à l’aide d’un tableau.

2. Identifier les modèles qui overfit ou underfit.

3. Analyser l’importance des variables (feature importance).

4. Comparer les résultats avec le modèle physique.

5. Discuter des écarts et des limites du ML.

6. Questions à traiter

1. Quel modèle prédit le mieux la portance et la traînée ?

2. Pourquoi certaines méthodes linéaires ne suffisent pas ?

3. Quelle variable a le plus d’impact sur Lift et Drag ?

4. Comment expliquer la différence entre ML et modèle physique ?

5. Quels modèles sont sensibles au bruit et pourquoi ?

6. Quel modèle recommanderiez-vous pour la conception réelle d’une aile ?

Vous aimerez peut-être aussi