A Data Fusion Framework for Grounding Aerospace Surrogate Model via Experimental Wind-Tunnel Observations

设计飞机机翼是一场与无形之物的战斗。工程师必须预测空气将如何流过弯曲的表面，哪里会加速，哪里会减速，以及究竟在何处流动可能会突然变得不再平滑。几十年来，这项工作的主要工具一直是高保真计算机模拟。这些程序通过求解复杂的方程组来模拟飞行的物理特性，使设计者无需制造物理模型即可测试数千种形状。然而，这些模拟并非完美无缺。它们依赖于近似值和数学上的简化手段，这些手段可能会偏离现实，尤其是在空气以音速运动的混沌区域。为了解决这个问题，工程师传统上会求助于风洞，即通过向覆盖着传感器的真实金属机翼吹送空气来进行测试。但风洞测试极其昂贵、耗时，且仅限于特定的几种工况。你无法在风洞中测试每一种可能的速度或角度，这使得工程师面临着计算机预测结果与物理世界实际表现之间的鸿方。

正是针对这一挑战，来自 Luminary AI 的一个研究团队开发出了一种全新的方法，旨在弥合数字预测与物理现实之间的鸿沟。他们开发出一种方法，利用经过大量模拟数据训练的强大计算机模型，并利用少量的真实世界实验数据对其进行轻微的“接地”（grounding）处理。他们并没有放弃昂贵的计算机模型，也没有尝试为每种场景都进行完整的风洞测试，而是使用了一个轻量级的修正系统。该系统学习计算机预测与风洞测量值之间的特定差异，并将这些知识应用于改进模型的准确性。其结果是一种混合工具，既保留了计算机模拟的速度和广泛覆盖能力，又继承了风洞的物理真实性。

研究人员首先使用了一个名为“代理模型”的高级计算机模型，该模型是基于针对特定飞机机翼配置（即 NASA 通用研究模型）的 2,300 次高保真模拟训练而成的。该模型旨在预测机翼表面在各种速度和角度下的气压变化。该计算机模型在模仿其训练所依据的模拟过程方面表现出色，能够近乎完美地还原计算出的气动载荷。然而，当研究人员将这些预测与风洞中的实际测量值进行对比时，明显的差异出现了。计算机模型在特定区域始终无法达到预期，特别是在机翼前缘气压骤降以及后部压力恢复的区域。这些都是关键区域，空气可能在此形成激波，即使是微小的误差也可能导致对飞机性能的重大误判。

为了在不从头构建整个计算机模型的情况下解决这一问题，团队引入了一个两步走的过程。首先，他们保持原始计算机模型处于“冻结”状态，以保留其已经学到的所有复杂气动知识。其次，他们添加了一个小型且灵活的修正网络。这个新组件是使用压力敏感油漆的数据进行训练的——这是一种通过在机翼上涂抹特殊材料的技术，该材料会根据气压改变颜色，从而让工程师能够观察到整个表面的压力分布。修正网络学会了识别计算机模型预测中的系统性误差，并对其进行调整，使其与风洞观测结果相匹配。至关重要的是，这种训练仅使用了两个特定速度和少数几个攻角的数据，这仅占总飞行工况的一小部分。

结果表明，这种方法效果显著。当在修正网络从未见过的飞行工况下进行测试时，调整后的模型对整个机翼表面的气压预测误差小于 3%。这种准确度远高于通过取附近风洞测量值的平均值来简单猜测答案的做法。这种修正对于修复激波的位置和压力恢复的形状特别有效，而这些正是原始计算机模型最困难的部分。研究人员发现，该模型现在可以捕捉到纯模拟中缺失的物理效应，例如由空气压力引起的机翼细微变形，或是空气从平滑流向湍流变化的差异。

这项工作证明，将两者的优点结合起来是完全可能的：计算机模拟的广泛、高效的覆盖能力，以及现实世界实验的物理准确性。通过使用少量的实验数据来修正大规模模拟，研究人员创造了一个既快速又可靠的工具。该方法不需要重新训练整个复杂的模型（因为这在计算上是难以承受的），也不需要大规模的风洞实验。相反，它通过有针对性的修正，使“数字孪生”与物理现实保持一致。这种方法为航空设计提供了一条切实可行的路径，使工程师能够更深入地信任其计算机模型，同时依靠更具战略性的物理测试来确保这些模型反映真实的飞行行为。