基于XGBoost的多源气动数据融合建模

飞行试验和计算流体力学(CFD)是气动数据获取的两种常用手段,其中,通过飞行试验获取的气动数据精度高,但成本高昂,而通过CFD获取气动数据成本低,数据量丰富。因此,为了以尽可能低的成本获取精度更高的气动数据,本文利用数据融合方法,提出了一种可以融合大量的由CFD获取的气动数据与少量由飞行试验获取的气动数据的嫁接XGBoost(eXtreme Gradient Boosting)集成模型框架。首先,利用充足的CFD气动数据建模,作为融合框架中的低精度模型;然后,将少量飞行试验参数输入低精度模型得到相应的气动输出;最后,结合飞行试验气动数据的其他特征进行二次建模,实现对真实气动参数的预测。为了证明所提算法的有效性,本文设置了相关的对比实验,结果表明:1)多源气动数据融合建模较单源气动数据建模具有更高的预测精度;2)集成学习模型比传统的机器学习模型具有更强的泛化性能,其中XGBoost模型泛化能力最强,能够实现对气动参数的准确预测。

现代试验设计及其在空气动力学中的应用进展

科学的试验设计方法能够显著提高学术研究和工业生产的质量和效率。以空气动力学试验设计为背景,介绍了现代试验设计方法的研究进展:总结了风洞试验中单因子试验设计方法 OFAT(One Fact at A Time)和现代试验设计方法MDOE(Modern Design Of Experiments)在试验目的、组织策略和试验结果 3个方面的区别,分析了现代试验设计方法的优势;从试验样本选取、模型建立和结果分析3个方面梳理了现代试验设计方法的现状,着重介绍了试验设计中的填充设计和序贯设计两大类试验样本选取方法;对所述试验设计方法进行了算例演示;讨论了当前存在的一些关键科学问题和未来研究方向。