基于物理嵌入的有鞅翼快速气动预测

基于机器学习的模型为快速获取过跨声速鞅翼流场提供了前景，但在建立训练数据集方面存在高计算成本。本文提出了一种物理嵌入的迁移学习框架，通过利用三维机翼流场可由二维截面机翼流场分析的思想来高效训练模型。使用机翼样本预训练机翼气动预测模型，然后通过少量机翼样本微调机翼到机翼的迁移模型，以预测每个跨向截面的二维结果所得到的三维流场。嵌入扫向理论用于确定对应的机翼几何和运行条件，并提出并评估了获取截面机翼升力系数（即一种运行条件）的低保真涡旋格子方法和数据驱动方法。与非迁移模型相比，引入预训练模型可将误差降低 30%，进一步引入扫向理论可将误差降低 9%。在减小数据集大小时，不需要一半以上的机翼训练样本即可达到与非迁移框架相同的误差水平，这使得建立模型更加容易。