2300次CFD仿真+风洞实测修正，NASA机翼模型误差狂降2.3%！
A Data Fusion Framework for Grounding Aerospace Surrogate Model via Experimental Wind-Tunnel Observations
📖 AI 总结
该研究提出一种数据融合框架，用于修正基于CFD（计算流体力学）训练的航空气动代理模型，使其与实验风洞观测数据保持一致。研究者以NASA CRM翼身组合体为对象，利用2300个高保真CFD仿真数据训练Geotransolver代理模型，该模型在预测气动力和俯仰力矩时R²超过0.99，但与实验数据存在系统性偏差。为在不重新训练模型的前提下引入实验信息，研究团队训练了一个校正网络，学习代理模型预测与风洞PSP（压力敏感涂料）测量之间的差异。在马赫数0.85条件下，校正显著改善了翼面吸力峰、激波位置及压力恢复的预测精度，减少了预测误差及误差超限的湿表面积比例。在留出攻角状态下，校正后模型与实测值的偏差仅为实测Cp范围的2.3%至2.7%，优于直接插值结果。该框架表明，通过学习系统性的CFD与实验差异，可在保持代理模型泛化能力和计算效率的同时，有效提升其工程可信度。
🔑 关键词速览
| Surrogate Model | 代理模型，一种用机器学习等方法近似高保真仿真（如CFD）的快速预测模型。 |
| PSP (Pressure-Sensitive Paint) | 压敏涂料，一种风洞实验技术，用于测量模型表面的压力分布。 |
| Geotransolver | 一种深度学习代理模型，用于预测气动特性，可能基于几何变换或图网络。 |
| CFD (Computational Fluid Dynamics) | 计算流体动力学，用数值方法模拟流体流动和力学的技术。 |
| Correction Network | 校正网络，一种学习代理模型预测与实验数据之间差异的神经网络。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅