A unified framework for probabilistic generation and transfer learning of upper-air wind fields across globally distributed sites
Deze studie presenteert een verenigd kader dat een long short-term memory mixture density network combineert met fysieke regularisatie en transfer learning om nauwkeurige probabilistische windvelden in de hogere luchtlagen over wereldwijd verspreide locaties te genereren, wat een verbeterde schatting van aerodynamische belastingen en structureel ontwerp voor voertuigen op grote hoogte mogelijk maakt, zelfs op locaties met beperkte historische gegevens.