基于核的高效资源神经代理模型用于气动场的多保真度预测
机器学习
2025-12-12 v1 流体动力学
摘要
代理模型为昂贵的气动仿真提供了快速替代方案，在设计与优化应用中极为有用。本研究提出了一种近期基于核的神经代理模型 KHRONOS。在本工作中，我们融合了稀疏高保真（HF）数据与低保真（LF）信息，以在计算资源变化的约束下预测气动场。与传统方法不同，KHRONOS 基于变分原理、插值理论和张量分解构建。这些要素为相较于稠密神经网络的大幅剪枝提供了数学基础。本文以 AirfRANS 数据集作为高保真基准，以 NeuralFoil 生成低保真对应物，将 KHRONOS 的性能与三种当代模型架构进行了对比：多层感知机（MLP）、图神经网络（GNN）和物理信息神经网络（PINN）。我们考虑了不同水平的高保真数据可用性（0%、10% 和 30%）以及日益复杂的几何参数化。这些被用于预测翼型表面的压力系数分布。结果表明，虽然所有模型最终达到了可比的预测精度，但 KHRONOS 在资源受限条件下表现优异。在该领域，KHRONOS 始终需要的训练参数量比当代稠密神经网络少数个数量级，并且在可比精度下训练与推理速度远快于稠密神经网络。这些发现凸显了 KHRONOS 及类似架构在多保真度气动场预测中平衡精度与效率的潜力。
引用
@article{arxiv.2512.10287,
title = {A Kernel-based Resource-efficient Neural Surrogate for Multi-fidelity Prediction of Aerodynamic Field},
author = {Apurba Sarker and Reza T. Batley and Darshan Sarojini and Sourav Saha},
journal= {arXiv preprint arXiv:2512.10287},
year = {2025}
}
备注
24 pages, 15 figures