ИИ-фреймворк связал аэродинамические симуляции с данными аэродинамических труб

Группа исследователей представила архитектуру объединения данных, которая согласует суррогатные модели глубокого обучения на базе гидродинамического моделирования (CFD) с результатами физических экспериментов в аэродинамических трубах. Численные суррогаты точно воспроизводят математические расчеты, однако нередко расходятся с реальными физическими наблюдениями.

Чтобы ликвидировать этот разрыв без повторного обучения основной модели Geotransolver, авторы создали дополнительную корректирующую нейросеть. Базовый суррогат был обучен на 2 300 CFD-симуляциях конфигурации крыло-фюзеляж NASA CRM при числах Маха от 0,70 до 0,85 и углах атаки от 0 до 4 градусов.

Корректирующая сеть использовала пространственно привязанные измерения люминесцентных преобразователей давления (PSP). На тестовых данных модель сократила погрешность прогнозирования до 2,3–2,7% от измеренного диапазона коэффициента давления, существенно повысив точность в зоне ударных волн и пиков разрежения без ущерба для вычислительной скорости.