一种用于高效预测二维翼型压力分布的混合CNN-Cheby-KAN框架
流体动力学
2025-11-06 v1
摘要
翼型压力分布的精确预测对于气动性能评估至关重要，然而计算流体动力学（CFD）和风洞试验等传统方法存在一定瓶颈。本文提出了一种结合卷积神经网络（CNN）和切比雪夫增强型Kolmogorov-Arnold网络（Cheby-KAN）的混合深度学习模型，用于高效、精确地预测二维翼型流场。CNN学习1549种翼型，并将翼型几何编码为紧凑的16维特征向量，而Cheby-KAN则对从飞行条件和空间坐标到压力值的复杂非线性映射进行建模。在多种翼型（包括RAE2822、NACA0012、e387和mh38）以及不同雷诺数和攻角下的实验表明，所提方法的均方误差（MSE）达到量级，决定系数（）超过0.999。该模型在精度和泛化能力上显著优于传统多层感知机（MLP），且计算开销可接受。这些结果表明，混合CNN-Cheby-KAN框架为快速气动预测提供了一种有前景的数据驱动方法。
引用
@article{arxiv.2511.03223,
title = {A Hybrid CNN-Cheby-KAN Framework for Efficient Prediction of Two-Dimensional Airfoil Pressure Distribution},
author = {Yaohong Chen and Luchi Zhang and Yiju Deng and Yanze Yu and Xiang Li and Renshan Jiao},
journal= {arXiv preprint arXiv:2511.03223},
year = {2025}
}
备注
19 pages,18 figures