多保真度双Delta机翼数据集与基于GNN的气动外推模型经验尺度定律
机器学习
2026-01-21 v1 人工智能
流体动力学
摘要
数据驱动的外推模型日益被采用以加速车辆设计。然而，开源的多保真度数据集以及连接数据集规模与模型性能的经验指南仍有限。本研究探讨了训练数据规模与基于图神经网络（GNN）的气动外推模型预测精度之间的关系。我们发布了一个开源的、多保真度的双Delta机翼气动数据集，包含2448个流动快照，覆盖272个几何构型，仿真角度攻击角范围为11至19度，马赫数为0.3，使用Vortex Lattice Method（VLM）和Reynolds-Averaged Navier-Stokes（RANS）求解器。几何构型采用嵌套Saltelli抽样方案生成，以支持未来数据集扩张和方差敏感性分析。使用该数据集，我们对MF-VortexNet外推模型进行初步的经验尺度研究，通过构建规模从40至1280个快照的六个训练数据集，并在固定训练预算下训练参数规模为0.1至2.4 million的模型。我们发现测试误差随数据规模而减小，幂律指数为-0.6122，表明数据利用效率较高。基于此尺度定律，我们估计在d维设计空间中，最优抽样密度约为8个样本。结果还表明，较大的外推模型在数据利用效率方面具有改进，暗示数据集生成成本与模型训练预算之间存在潜在权衡。
引用
@article{arxiv.2512.20941,
title = {A Multi-fidelity Double-Delta Wing Dataset and Empirical Scaling Laws for GNN-based Aerodynamic Field Surrogate},
author = {Yiren Shen and Juan J. Alonso},
journal= {arXiv preprint arXiv:2512.20941},
year = {2026}
}