基于迁移学习预测跨域和任务适应中的流线参数

从风洞测试、常规飞行以及风力发电运维的角度来看，确定流线参数至为重要。这些参数传统上通过直接测量获得，但在传感器故障时会面临挑战。或者可以基于表面压力数据构建数据驱动的预测模型来确定这些参数。实现接近实时的学习能力对于实际应用（如监控风洞运行或学习航空航天与风能系统的空气动力学性能变化）至为关键。为克服数据分布变化及新预测任务适应带来的挑战，本文提出一种迁移学习方法以预测流线参数，具体包括迎角和流线速度。该方法首先离线训练卷积神经网络（ConvNet）完成核心预测任务，然后冻结除输出节点前选定层之外的模型权重，最后进行迁移学习以重新训练这些层。本文使用稳态CFD分析数据演示了该方法：i) 域适应中使用来自源域数据分布不同于训练域的目标域数据进行迁移学习；ii) 任务适应中改变预测任务。进一步探讨了噪声数据对性能的影响、在扩展域上的表现，以及变更采样规模和网络结构的敏感性研究。结果成功证明了该方法在应对数据分布变化、域扩展和任务更新方面的潜力，但在噪声数据场景下的应用效果不佳。