基于增强型多保真神经网络的跨音速气动数据多源融合重建方法

为解决风洞试验与数值模拟数据间的非线性不一致问题，研究人员提出了一种融合差分运算的增强型多保真神经网络（MFNN）框架。该方法通过自适应映射低保真（LF）与高保真（HF）数据关系，显著提升了跨音速翼型激波位置捕捉精度，重建误差较传统方法降低30%以上，为飞行器气动优化设计提供了高效数据融合新范式。

　　

在航空工程领域，精确获取飞行器气动压力分布是优化设计的关键，但传统依赖风洞试验或数值模拟的方法面临巨大挑战：高精度实验数据稀疏昂贵，而低成本计算流体力学（CFD）模拟又存在精度不足的问题。尤其当跨音速流动中出现激波等非线性现象时，多源数据间的趋势不一致性会严重制约传统多保真（MF）模型的性能。这种"数据鸿沟"直接影响了飞行器气动外形优化的效率和可靠性，亟需开发能自适应处理非线性不一致问题的新型建模方法。

针对这一难题，中国国家自然科学基金（项目号92152301、U2441211等）支持的研究团队在《Engineering Applications of Artificial Intelligence》发表了一项创新成果。研究人员将差分运算嵌入多保真神经网络架构，构建了增强型MFNN模型。该技术通过建立LF与HF数据间的潜在映射关系，首次实现了对趋势不一致数据的自适应校正。研究团队采用经典数值算例和ONERA M6机翼跨音速压力分布重建案例进行验证，结合深度神经网络（DNN）与MFNN的对比实验，系统评估了模型性能。

关键技术方法
研究采用计算流体力学（CFD）模拟生成低保真数据，结合高成本风洞试验获取高保真数据。通过引入差分运算层扩展传统MFNN的映射关系，构建包含特征提取、非线性校正和保真度融合的三阶段建模框架。采用Proper Orthogonal Decomposition（POD）降维技术处理空间分布数据，并基于Bayesian优化进行超参数调谐。

主要研究结果

1. 增强型MFNN架构：差分运算层的引入使模型能自动识别LF数据中的有效特征，在趋势不一致情况下仍保持90%以上的相关性系数，较传统方法提升40%。
2. 跨音速激波捕捉：对ONERA M6机翼的压力分布重建显示，新方法对激波位置的预测误差小于0.5%弦长，显著优于DNN的3.2%和传统MFNN的2.1%。
3. 工程适用性验证：在NACA0012翼型案例中，压力系数重建均方误差降低至0.003，较对比模型提升30%以上，且计算耗时仅为高保真CFD的1/1000。

结论与意义
该研究突破了传统多保真模型对数据线性相关性的依赖，为解决航空工程中实验与仿真数据融合难题提供了新思路。特别在跨音速流动这类强非线性问题中，增强型MFNN通过自适应差分机制有效捕捉了激波等关键特征，为飞行器气动数据库构建、外形优化等场景提供了高效工具。研究团队指出，该方法可扩展至其他涉及多源数据融合的工程领域，如航天器热防护系统设计、涡轮机械气动优化等，具有广阔的工业应用前景。