LGFNet：用于多源气动力学的局部-全局融合网络及保真间隙 Delta 学习
机器学习
2026-04-01 v1 流体动力学
摘要
将计算流体动力学（CFD）数据、风洞测试数据和飞行测试数据精确融合是气动领域获取局部流结构和整个飞行包络范围内全局气动趋势综合知识的关键。然而，现有方法常常难以在高分辨率局部保真度与宽范围全局依赖之间进行平衡，导致要么局部尖锐断点丢失，要么无法捕获长程拓扑关联。我们提出了 Local-Global Fusion Network（LGFNet），用于多尺度特征分解以提取这种双重性质的气动知识。为此，LGFNet 将集成滑动窗口机制的空间感知层与基于自注意力的关系推理层相结合，同时强化了细粒度局部特征（如冲击波）的连续性，并捕获长程流信息。此外，提出了保真间隙 delta 学习（FGDL）策略，将 CFD 数据视为“低频载波”，以显式近似非线性差异。该方法可防止非物理平滑，同时继承自模拟基线的基本物理趋势。实验表明，LGFNet 在 diverse气动场景中在准确性和不确定性降低方面实现了最先进（SOTA）性能。
引用
@article{arxiv.2603.29303,
title = {LGFNet: Local-Global Fusion Network with Fidelity Gap Delta Learning for Multi-Source Aerodynamics},
author = {Qinye Zhu and Yu Xiang and Jun Zhang and Wenyong Wang},
journal= {arXiv preprint arXiv:2603.29303},
year = {2026}
}