基于预训练微调的机翼气动载荷多源数据融合建模方法

doi:10.7527/S1000-6893.2025.32297

飞行器数字孪生技术专刊

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于预训练微调的机翼气动载荷多源数据融合建模方法

王鹏飞¹, 曾丽芳²(), 邵雪明², 黎军²

^1.浙江大学工程师学院，杭州 310000
^2.浙江大学航空航天学院，杭州 310027

收稿日期:2025-05-27 修回日期:2025-06-16 接受日期:2025-07-17 出版日期:2025-07-28 发布日期:2025-07-25
通讯作者: 曾丽芳 E-mail:lifang_zeng@zju.edu.cn
基金资助:
浙江省科技创新领军人才项目(2023R5220);国防基础科研计划(JCKY2023205B013);国防基础科研计划(JCKY2019205A006);国防基础科研计划(JCKY2021205B003)

Multi-source data fusion modeling method for aerodynamic load of aircraft wing based on pre-training and fine-tuning

Pengfei WANG¹, Lifang ZENG²(), Xueming SHAO², Jun LI²

^1.College of Engineers，Zhejiang University，Hangzhou 310000，China
^2.School of Aeronautics and Astronautics，Zhejiang University，Hangzhou 310027，China

Received:2025-05-27 Revised:2025-06-16 Accepted:2025-07-17 Online:2025-07-28 Published:2025-07-25
Contact: Lifang ZENG E-mail:lifang_zeng@zju.edu.cn
Supported by:
Leading Talent Project for Scientific and Technological Innovation in Zhejiang Province(2023R5220);Defense Industrial Technology Development Program(JCKY2023205B013)

摘要/Abstract

摘要：

气动载荷的准确快速预测是飞行器数字孪生技术的重要组成部分，是建立真实飞行器与其数字孪生体之间的重要纽带。现阶段基于数据建模方法构建气动载荷代理模型高效率获取气动数据，已成为飞行器设计的重要研究方向。但利用单一来源的数据建模方法难以突破现有模型预测结果的精度上限。以CRM-WB翼身组合体为研究对象，面向数字孪生技术对机翼分布载荷的实时高精度预测需求，在稀疏有限的风洞试验数据基础上，融合仿真数据，提出了一种基于预训练微调的机翼气动载荷多源数据融合方法，考虑到机翼上下表面压力分布特征导致的预测精度差异，进一步采用预训练分组微调策略构建气动载荷融合模型，测试结果表明：该模型的预测平均误差为3.17%，与基于单一数据训练的预测模型（平均误差为5.70%）、组合深度神经网络融合建模方法（平均误差为5.11%）和高斯过程回归不确定加权融合建模方法（平均误差为6.16%）相比，所提出的多源数据融合方法实现了更高准确度的预测。泛化性测试显示所提出的预训练微调模型具有较好的泛化能力，在外推工况上相比单一数据来源的预测模型的平均误差降低11.19%。

关键词: 飞行器, 迁移学习, 数字孪生, 分布载荷, 数据融合

Abstract:

Accurate and rapid prediction of aerodynamic loads is an important part of the vehicle digital twinning technology， and is an important link between the real vehicle and its digital twin. At present， building aerodynamic load proxy model based on data modeling method to obtain aerodynamic data efficiently has become an important research direction in vehicle design. However， data modeling methods using a single source are difficult to break the upper limit of accuracy of the existing model predictions. Based on sparse and limited wind tunnel test data， a multi-source data fusion method of wing aerodynamic loads based on pre-training fine-tuning is proposed for the CRM-WB wing body assembly. Considering the difference in prediction accuracy caused by the pressure distribution characteristics on the upper and lower surfaces of the wing， the pre-training grouped fine-tuning strategy is further adopted to construct the aerodynamic load fusion model. The test results show that the average prediction error of the model is 3.17%， and compared with the prediction model based on single data training （an average error of 5.70%）， the combined depth neural network fusion modeling method （an average error of 5.11%）， and the Gauss process regression uncertainty weighted fusion modeling method （an average error of 6.16%）， the multi-source data fusion method proposed in this paper achieves higher accuracy prediction. Generalizability tests show that the pre-training fine-tuning model proposed in this paper has good generalized ability， and the average error of the prediction model is reduced by 11.19% compared to the single data source in the extrapolation case.

Key words: vehicles, transfer learning, digital twins, distributed loads, data fusion

中图分类号:

V211

王鹏飞, 曾丽芳, 邵雪明, 黎军. 基于预训练微调的机翼气动载荷多源数据融合建模方法[J]. 航空学报, 2025, 46(19): 532297.

Pengfei WANG, Lifang ZENG, Xueming SHAO, Jun LI. Multi-source data fusion modeling method for aerodynamic load of aircraft wing based on pre-training and fine-tuning[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(19): 532297.

图/表 15

图 1

图 2

图 3

图 4

图 5

图 6

表 1

CRM-WB气动样本集的工况

EXP case	CFD case	$α$ /（ $°$ ）	Ma	Re/ $106$
$E 1$	$C 1$	0.23	0.8	$5$
$E 2$	$C 2$	1.16	0.8	$5$
$E 3$	$C 3$	2.16	0.8	$5$
$E 4$	$C 4$	3.16	0.8	$5$
$E 5$	$C 5$	4.18	0.8	$5$

表 1

表 2

表 3

图 7

表 4

各模型在不同工况下不同截面内所得压力系数的平均绝对误差

$模型$	Y	平均绝对误差/%
$模型$	Y	CFD	DNN	GPR	MFDNN	TLDFM1	HF-TLDFM
$E 2$	0.131	7.57	9.13	6.48	5.97	4.40	4.03
	0.201	2.35	5.08	2.94	4.59	2.47	2.52
	0.283	4.35	7.57	3.98	6.95	2.77	2.42
	0.397	4.94	7.19	3.35	5.72	3.39	2.90
	0.502	4.93	7.89	2.69	4.94	2.44	1.76
	0.603	7.16	8.24	5.22	4.89	3.59	3.35
	0.727	9.61	4.11	7.52	4.13	2.96	2.98
	0.846	10.54	5.65	9.29	4.01	2.69	2.36
$E 4$	0.131	8.48	3.32	8.97	4.26	5.53	5.48
	0.201	2.96	4.04	3.88	3.48	3.56	3.11
	0.283	4.87	7.42	5.46	6.70	2.89	2.33
	0.397	5.58	4.11	5.38	4.37	5.17	4.45
	0.502	5.80	6.01	4.93	6.17	4.02	2.97
	0.603	10.36	6.39	8.20	6.09	5.13	4.34
	0.727	9.40	2.57	7.74	3.74	3.19	2.71
	0.846	13.41	3.92	11.69	6.22	3.82	3.10

表 4

图 8

图 9

表 5

图 10

参考文献 21

[1]	唐志共，朱林阳，向星皓，等. 智能空气动力学若干研究进展及展望［J］. 空气动力学学报， 2023， 41（7）： 1-35.
	TANG Z G， ZHU L Y， XIANG X H， et al. Some research progress and prospect of intelligent aerodynamics［J］. Acta Aerodynamica Sinica， 2023， 41（7）： 1-35 （in Chinese）.
[2]	张伟伟，寇家庆，刘溢浪. 智能赋能流体力学展望［J］. 航空学报， 2021， 42（4）： 524689.
	ZHANG W W， KOU J Q， LIU Y L. Prospect of artificial intelligence empowered fluid mechanics［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 524689 （in Chinese）.
[3]	LI X D， DUNKIN F， DEZERT J. Multi-source information fusion： Progress and future［J］. Chinese Journal of Aeronautics， 2024， 37（7）： 24-58.
[4]	唐志共，袁先旭，钱炜祺，等. 高速空气动力学三大手段数据融合研究进展［J］. 空气动力学学报， 2023， 41（8）： 44-58.
	TANG Z G， YUAN X X， QIAN W Q， et al. Research progress on the fusion of data obtained by high-speed wind tunnels， CFD and model flight［J］. Acta Aerodynamica Sinica， 2023， 41（8）： 44-58 （in Chinese）.
[5]	王文正，桂业伟，何开锋，等. 基于数学模型的气动力数据融合研究［J］. 空气动力学学报， 2009， 27（5）： 524-528.
	WANG W Z， GUI Y W， HE K F， et al. Aerodynamic data fusion technique exploration［J］. Acta Aerodynamica Sinica， 2009， 27（5）： 524-528 （in Chinese）.
[6]	季廷炜，查旭，谢芳芳，等. 基于高斯过程回归的空天飞行器多精度气动建模方法［J］. 浙江大学学报（工学版）， 2023， 57（11）： 2314-2324.
	JI T W， ZHA X， XIE F F， et al. Multi-fidelity aerodynamic modeling method of aerospace vehicles based on Gaussian process regression［J］. Journal of Zhejiang University （Engineering Science）， 2023， 57（11）： 2314-2324 （in Chinese）.
[7]	邓晨，陈功，王文正，等. 基于飞行试验和风洞试验数据的融合算法研究［J］. 空气动力学学报， 2022， 40（6）： 45-50.
	DENG C， CHEN G， WANG W Z， et al. Research on the data fusion algorithm based on flight test data and wind tunnel test data［J］. Acta Aerodynamica Sinica， 2022， 40（6）： 45-50 （in Chinese）.
[8]	NIETO-CENTENERO J， CASTELLANOS R， GORGUES A， et al. Fusing aerodynamic data using multi-fidelity gaussian process regression［C］∥15th International Conference on Evolutionary and Deterministic Methods for Design， Optimization and Control. 2023.
[9]	黄红亮，闫昊，张鲸超，等. 多源多精度数据融合与气动特性智能外推［J］. 力学学报， 2024， 56（9）： 2775-2787.
	HUANG H L， YAN H， ZHANG J C， et al. Multi-source and multi-fidelity data fusion and intelligent extrapolation of aerodynamic characteristics［J］. Chinese Journal of Theoretical and Applied Mechanics， 2024， 56（9）： 2775-2787 （in Chinese）.
[10]	ANHICHEM M， TIMME S， CASTAGNA J， et al. Aerodynamic data modelling and fidelity definition for multifidelity data fusion［C］∥Royal Aeronautic Society Applied Aerodynamics Conference. 2022.
[11]	ZHANG X S， XIE F F， JI T W， et al. Multi-fidelity deep neural network surrogate model for aerodynamic shape optimization［J］. Computer Methods in Applied Mechanics and Engineering， 2021， 373： 113485.
[12]	FRANCÉS-BELDA V， SOLERA-RICO A， NIETO-CENTENERO J， et al. Toward aerodynamic surrogate modeling based on β-variational autoencoders［J］. Physics of Fluids， 2024， 36（11）： 117139.
[13]	NING C J， ZHANG W W. MHA-Net： Multi-source heterogeneous aerodynamic data fusion neural network embedding reduced-dimension features［J］. Aerospace Science and Technology， 2024， 145： 108908.
[14]	ZHU R， YUAN W X， FEI Q G， et al. Low-resource dynamic loading identification of nonlinear system using pretraining［J］. Engineering Structures， 2025， 323： 119238.
[15]	TAN C， SUN F， KONG T， et al. A survey on deep transfer learning［C］∥Artificial Neural Networks and Machine Learning-ICANN 2018. 2018： 270-279.
[16]	HENDRYCKS D， LEE K， MAZEIKA M. Using pre-training can improve model robustness and uncertainty［C］∥International Conference on Machine Learning. 2019： 2712-2721.
[17]	LECUN Y， BENGIO Y， HINTON G. Deep learning［J］. Nature， 2015， 521（7553）： 436-444.
[18]	RIVERS M B， DITTBERNER A. Experimental investigations of the NASA common research model［J］. Journal of Aircraft， 2014， 51（4）： 1183-1193.
[19]	MENG X H， KARNIADAKIS G E. A composite neural network that learns from multi-fidelity data： Application to function approximation and inverse PDE problems［J］. Journal of Computational Physics， 2020， 401： 109020.
[20]	邓晨，陈功，王文正，等. 基于不确定度和气动模型的气动数据融合算法［J］. 空气动力学学报， 2022， 40（4）： 117-123.
	DENG C， CHEN G， WANG W Z， et al. Aerodynamic data fusion algorithms based on aerodynamic model and uncertainly［J］. Acta Aerodynamica Sinica， 2022， 40（4）： 117-123 （in Chinese）.
[21]	WONG B， KHOO B. Inductive transfer-learning of high-fidelity aerodynamics from inviscid panel methods［J］. Advances in Aerodynamics， 2025， 7（1）： 1.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

模型	平均绝对误差/%
TLDFM0	3.72
TLDFM1	3.61
TLDFM2	4.04
TLDFM3	4.17
TLDFM4	5.14

基于预训练微调的机翼气动载荷多源数据融合建模方法

Multi-source data fusion modeling method for aerodynamic load of aircraft wing based on pre-training and fine-tuning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 21

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王科雷, 周洲, 李明浩. 动力翼单元松耦合设计方法研究及试验验证[J]. 航空学报, 2025, 46(9): 212-229.
[2]	李荣祖, 刘莉, 杨盾. 基于多源域融合代理模型的氢能无人机优化设计[J]. 航空学报, 2025, 46(9): 630979-630979.
[3]	崔乃刚, 屈国欣, 马鑫海, 徐世昊, 韦常柱. 面对称飞行器助推段自适应预设时间/性能控制[J]. 航空学报, 2025, 46(6): 531470-531470.
[4]	陈谋, 黄正国, 申耀华, 刘凡. 先进飞行器复合抗干扰控制技术综述[J]. 航空学报, 2025, 46(6): 531303-531303.
[5]	姜宗林, 韩桂来, 汪运鹏, 刘云峰, 苑朝凯, 罗长童, 王春, 胡宗民, 刘美宽. JF-22超高速风洞理论基础与关键技术[J]. 航空学报, 2025, 46(5): 531130-531130.
[6]	焦阳, 陆雨婷, 许拔, 欧阳键. 基于时空相关性的卫星流量迁移预测[J]. 航空学报, 2025, 46(4): 330938-330938.
[7]	屈峰, 王青, 程少文, 王开强. 基于气动/轨迹/控制耦合的飞/发一体高超声速飞机气动外形优化设计[J]. 航空学报, 2025, 46(4): 130874-130874.
[8]	李卓远, 杨旭东, 孙恺, 熊俊辉, 史帅. 分布式涵道风扇气动布局复杂强干扰效应及性能影响[J]. 航空学报, 2025, 46(3): 130805-130805.
[9]	王偲琛, 张超, 蔡兴考, 杨肖峰, 肖光明, 杜雁霞. 高速飞行条件下CMC材料细观热响应特性[J]. 航空学报, 2025, 46(3): 230620-230620.
[10]	王有盛, 孙立国, 魏金鹏, 谭文倩, 潘永豪. 基于改进鸡群-Gauss伪谱法的组合动力飞机爬升轨迹优化方法[J]. 航空学报, 2025, 46(2): 230737-230737.
[11]	施英杰, 刘斌超, 鲁嵩嵩, 陈亮, 尚海, 鲍蕊. 融合试验-仿真标定数据的机翼应变载荷关系神经网络模型[J]. 航空学报, 2025, 46(19): 530921-530921.
[12]	黄熠玮, 耿一斌, 高天贺, 胡轩玮, 王圆, 马红艳, 田阔. 数字孪生驱动的结构全场变形高精度反演方法[J]. 航空学报, 2025, 46(19): 530967-530967.
[13]	代定强, 周轩, 董雷霆, 孙侠生. 数字工程与数字孪生在航空疲劳与结构完整性领域的研究进展与展望[J]. 航空学报, 2025, 46(19): 531022-531022.
[14]	李尚宇, 冯杭, 陈俊全, 陈彬, 梅丹. 一种数字孪生的设计架构和概念建模方法[J]. 航空学报, 2025, 46(19): 531118-531118.
[15]	雷珺祺, 程月华, 姜斌, 徐骋, 徐贵力, 孙天宇. 面向舵回路故障的数字孪生建模及动态调整机制[J]. 航空学报, 2025, 46(19): 531273-531273.