迁移学习气动建模方法

基于LSTM和预训练微调，在有限高精度数据下构建高保真气动模型。

Junjie, Zhang · 黄俊 · Zhiqin, Liu · 王青锋 · Bo, Chen

Shiyan Liuti Lixue/Journal of Experiments in Fluid Mechanics 2025

参数信息

阻力预测精度提升

7.22 %

升阻比预测精度提升

8.85 %

阻力预测精度提升（对比AS-MFS）

8.66 %

升阻比预测精度提升（对比AS-MFS）

4.36 %

技术优势

精度提升显著

相比迁移前，阻力预测精度平均提升7.22%，升阻比平均提升8.85%，在不同数据量下均表现更优。

优于同类迁移模型

与AS-MFS多保真度代理模型相比，阻力和升阻比精度分别平均提升8.66%和4.36%，验证了迁移学习策略的有效性。

减少数据需求

利用大量低精度XFLR数据预训练，仅需少量高精度风洞数据微调即可建立高保真模型，缩短研制周期并降低成本。

应用场景

• 飞行器气动设计：用少量风洞数据微调预训练模型，快速获得翼型高保真气动特性，加速设计迭代。
• 航空航天优化设计：提供高精度气动预测模型作为优化目标函数代理，减少高成本CFD和风洞试验次数。
• 无人机气动建模：针对无人机翼型，利用少量实测数据微调即可建立高保真模型，缩短开发周期。