基于 $\beta$-变分自编码器的气动代理建模

结合降维和回归技术的代理模型对于减少对高保真计算流体动力学数据的需求至关重要。新方法使用 $\beta$-变分自编码器 ($\beta$-VAE) 架构在获取高维流数据高质量低维表示的同时，使其潜在空间的物理解释成为可能。在飞行条件下（即马赫数和攻击角）给定的情况下预测翼面压力分布的预测模型。增强了主成分分析 (PCA) 的 $\beta$-VAE 模型将高维数据映射到低维潜在空间，显示与飞行条件直接相关。通过 $\beta$ 实现的正则化需要精细调谐以提高整体性能，而 PCA 预处理有助于构建有效的潜在空间，提高自编码器的训练和性能。高斯过程回归用于从飞行条件预测潜在空间变量，显示出独立于 $\beta$ 的稳健行为，解码器重建高维压力场数据。这一管道为探索未知飞行条件提供了见解。此外，解码器的精细调谐进一步细化了模型，减少了对 $\beta$ 的依赖并提高了精度。结构化的潜在空间、稳健的回归性能以及精细调谐的显著改进共同创建了一个高度精确且高效的代理模型。我们的方法论证了 $\beta$-VAEs 在气动代理建模中的有效性，为气动数据预测提供了一种快速、经济且可靠的替代方案。