A unified framework for probabilistic generation and transfer learning of upper-air wind fields across globally distributed sites
Diese Studie präsentiert ein vereinheitlichtes Framework, das ein Long Short-Term Memory Mixture Density Network mit physikalischer Regularisierung und Transfer Learning kombiniert, um präzise probabilistische Windfelder in der oberen Atmosphäre über global verteilten Standorten zu generieren, was eine verbesserte Schätzung der aerodynamischen Lasten und die strukturelle Auslegung für Hochgeschwindigkeitsfahrzeuge in großen Höhen selbst an Standorten mit begrenzten historischen Daten ermöglicht.