面向数字孪生范式的空气动力学数据融合
计算工程、金融与科学
2020-08-04 v1 机器学习
机器学习
摘要
我们考虑融合源自不同保真度物理或计算机实验的两组空气动力学数据集。我们具体解决以下融合问题：1）来自风洞测量的含噪声且不完整的流场，以及 2）来自数值模拟的确定性但有偏的流场。将这两种数据源进行融合，以估计与作为真值基准的测量量最匹配的“真实”流场。例如，基于风洞实验测得的力与力矩，融合关于某飞行器的两种压力场来源。该问题的一个基本挑战在于真实流场未知且无法以 100% 的确定性估计。我们采用贝叶斯框架来推断以感兴趣测量量为条件的真实流场；本质上，我们对数据执行一种“统计校正”。融合后的数据可用于构建更精确的代理模型，适用于航空航天设计的早期阶段。我们还引入了带约束的本征正交分解的一种扩展来求解同一问题。两种方法均在融合 RAE2822 翼型和通用研究模型机翼在跨声速条件下的压力分布上进行了演示。两种方法比较表明，当数据稀缺时贝叶斯方法更鲁棒，同时能够考虑数据中的不确定性；此外，在给定充足数据的情况下，基于 POD 与贝叶斯的方法得出“相似”的结果。
引用
@article{arxiv.1911.02924,
title = {Aerodynamic Data Fusion Towards the Digital Twin Paradigm},
author = {S. Ashwin Renganathan and Kohei Harada and Dimitri N. Mavris},
journal= {arXiv preprint arXiv:1911.02924},
year = {2020}
}
备注
33 pages, 19 figures