一种基于多源数据融合的气动热预测方法

本发明公开了一种利用深度学习技术来完成气动热数据融合建模的研究，该研究涉及空气动力学领域，该研究包括如下步骤：低保真网络设计、高保真网络设计、多网络模型设计、损失函数设计、进行实验设计与结果分析。在气动热预测领域，CFD数值计算数据容易获得但精度不足，风洞实验数据精度可靠但难以获得，本发明针对多源数据的预测问题，以较低的代价生成较多的高保真气动热数据。针对多个数据源，利用深度神经网络对高保真以及低保真数据之间的相关性进行挖掘探索，将其线性关系与非线性关系引入损失函数中，通过权重系数平衡损失函数中不同来源信息，能有效修正CFD数据带来的精度差异，使预测数据更偏向风洞试验数据。