大型机翼模型
计算机视觉与模式识别
2025-08-19 v1 机器学习
摘要
为有限机翼开发通用的空气动力学预测机器学习模型具有挑战性,主要由于巨大的参数空间和相对稀缺的数据。本文提出了大型机翼模型(LWM),一种概率机器学习模型,用于预测压力系数()分布,其基于小且严格的实验数据集。从其不确定性感知的预测中,可计算机械截面和总机翼升力系数(,)及其置信区间。LWM特色为修改深度核学习架构,在由14个潜在变量和机翼跨跨度维度构成的15维空间中构建高斯过程模型。它是在为本工作开发的开源风洞实验数据库上训练的。贝叶斯方法将实验测量不确定性和数据数字化不确定性纳入模型。该模型演示了令人满意的外推能力,通过由二维由大型机翼模型预测的物理驱动先验,实现对新机翼截面截面的预测。该模型的准确性针对三个测试案例进行评估,均为机翼截面和运行条件各异的矩形机翼。对于所有测试案例,该模型表现良好;的误差未超过1.7%。该模型有效捕捉三维效应,如机翼尖涡旋所致的效应。此外,基于已知升力概率描述约束后验预测空间可提高预测的准确性。作为一种计算效率高的机翼预测模型,LWM促进了快速探索机翼设计空间。
引用
@article{arxiv.2508.11826,
title = {From Pixels to Graphs: Deep Graph-Level Anomaly Detection on Dermoscopic Images},
author = {Dehn Xu and Tim Katzke and Emmanuel Müller},
journal= {arXiv preprint arXiv:2508.11826},
year = {2025}
}