Prediction of surface pressure distributions of non-parametric airfoils using geometric deep learning methods

Hines Chaves, Derrick Armando und Bekemeyer, Philipp (2026) Prediction of surface pressure distributions of non-parametric airfoils using geometric deep learning methods. Computers & Fluids. Elsevier. doi: 10.1016/j.compfluid.2026.106979. ISSN 0045-7930.

PDF - Verlagsversion (veröffentlichte Fassung)
12MB

elib-URL des Eintrags:

https://elib.dlr.de/227581/

Dokumentart:

Zeitschriftenbeitrag

Titel:

Prediction of surface pressure distributions of non-parametric airfoils using geometric deep learning methods

Autoren:

Autoren	Institution oder E-Mail-Adresse	Autoren-ORCID-iD	ORCID Put Code
Hines Chaves, Derrick Armando	Derrick.HinesChaves (at) dlr.de	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT
Bekemeyer, Philipp	Philipp.Bekemeyer (at) dlr.de	https://orcid.org/0009-0001-9888-2499	228983409

Datum:

30 März 2026

Erschienen in:

Computers & Fluids

Referierte Publikation:

Open Access:

Gold Open Access:

Nein

In SCOPUS:

In ISI Web of Science:

DOI:

10.1016/j.compfluid.2026.106979

Verlag:

Elsevier

ISSN:

0045-7930

Status:

veröffentlicht

Stichwörter:

Surrogate model, Geometric deep learning, Graph neural network, Implicit neural representation, Multi-layer perceptron, Aerodynamics

HGF - Forschungsbereich:

Luftfahrt, Raumfahrt und Verkehr

HGF - Programm:

Luftfahrt

HGF - Programmthema:

Effizientes Luftfahrzeug

DLR - Schwerpunkt:

Luftfahrt

DLR - Forschungsgebiet:

L EV - Effizientes Luftfahrzeug

DLR - Teilgebiet (Projekt, Vorhaben):

L - Digitale Technologien

Standort:

Braunschweig

Institute & Einrichtungen:

Institut für Aerodynamik und Strömungstechnik > CASE, BS

Hinterlegt von:

Hines Chaves, Derrick Armando

Hinterlegt am:

07 Okt 2026 08:46

Letzte Änderung:

15 Okt 2026 14:20

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags