飞行器设计阶段的气动分析需要大量的高保真度气动力数据以提高设计性能,但其获取成本十分高昂。为了缓解建模成本与模型精度之间的矛盾,构建了关联不同保真度数据的多保真度气动数据融合模型,并提出了最优关联点选取方法和均匀性增强序贯采样方法,以此实现co-Kriging变可信度模型的高效初始化与最速收敛。作为验证,选用标准数值算例开展建模研究,并结合统计结果对方法精度优劣进行了对比。最后将该建模框架成功应用于NACA0012翼型跨声速气动力工程算例当中。结果表明,与传统模型相比,在仅有的少量高保真度样本下,所采用的方法可以大幅提升变可信度模型收敛精度和建模效率,有效降低了采样成本;相较于高保真度单精度元模型,误差可降低50%以上。

机器学习数据融合方法可帮助降低飞行器气动数据库建立的成本,加快研制进度,目前已经成为飞行器设计方法领域越来越活跃的研究方向,但其在工程复杂问题方面的应用研究并不充分。将多种常见变可信度数据融合模型应用于运载火箭子级栅格舵落区控制的工程项目,在开展部分工况的风洞试验基础上,结合少量的CFD数值模拟结果,研究相关函数和不同模型预测完整工况气动特性数据的差异性。通过对比加法标度函数修正模型、Co-Kriging模型、分层Kriging模型和多可信度神经网络模型等4种不同的数据融合模型发现高斯指数相关函数对气动建模问题的适应性更好;Co-Kriging模型对气动数据的内插表现最好;分层Kriging模型对内插的预测精度较高,外插效果不理想;多可信度神经网络模型在外插区域能获得更光滑、合理的预测结果。