基于流形的翼型几何特征提取与异构数据融合学习方法
机器学习
2022-06-27 v1 计算工程、金融与科学
摘要
翼型的几何形状及其对应的飞行条件是对气动性能预测至关重要的因素。现有大多数方法（如几何参数提取、多项式描述与深度学习）所获取的翼型几何特征均位于欧氏空间中。前沿研究表明，翼型的曲线或曲面在黎曼空间中构成流形。因此，现有方法提取的特征不足以反映翼型的几何特征。同时，飞行条件与几何特征类型不同、差异显著，必须评估并学习这两类因素对最终气动性能预测影响的相关知识，以提升预测精度。受流形理论与多任务学习优势的启发，我们提出一种基于流形的翼型几何特征提取与异构数据融合学习方法（MDF），在黎曼空间中提取翼型几何特征（称之为流形特征），并将流形特征与飞行条件进一步融合以预测气动性能。实验结果表明，与现有方法相比，所提方法能更准确地提取翼型几何特征，重建翼型的平均均方误差降低 56.33%；且在保持相同 CL 预测精度水平的同时，MDF 预测的 CD 的均方误差进一步降低 35.37%。
引用
@article{arxiv.2206.12254,
title = {A Manifold-based Airfoil Geometric-feature Extraction and Discrepant Data Fusion Learning Method},
author = {Yu Xiang and Guangbo Zhang and Liwei Hu and Jun Zhang and Wenyong Wang},
journal= {arXiv preprint arXiv:2206.12254},
year = {2022}
}