論文の概要: A Data Fusion Framework for Grounding Aerospace Surrogate Model via Experimental Wind-Tunnel Observations

• arxiv url: http://arxiv.org/abs/2609.04267v1
• Date: Wed, 02 Sep 2026 18:52:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.757093
• Title: A Data Fusion Framework for Grounding Aerospace Surrogate Model via Experimental Wind-Tunnel Observations
• Title（参考訳）: 実験風洞観測による空域サロゲートモデルのためのデータ融合フレームワーク
• Abstract要約: 本研究では,風洞PSP測定を用いてCFD訓練深層学習サロゲートを適応させる実験的基盤補正フレームワークを提案する。 NASA CRMの翼体構成の2300個の高忠実CFDシミュレーションで訓練されたGeotransolver surrogateは、CFD統合空気力とピッチングモーメントをR2 > 0.99に再現するが、実験データと一致しない。 補正ネットワークは、同じ攻撃範囲の2つのフリーストリームマッハ数(0.70、0.85)で空間的に登録されたPSP測定に基づいて訓練され、代理予測と実験的に測定された表面圧力分布の差を学習する。
• 参考スコア（独自算出の注目度）: 0.9786690381850355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aerodynamic surrogate models trained on high-fidelity CFD data reproduce numerical predictions of both scalar outputs and entire fields accurately, yet their predictive fidelity is limited by systematic discrepancies between CFD and experimental observations. We present an experimentally grounded correction framework that adapts a CFD-trained deep learning surrogate using wind-tunnel PSP measurements. A Geotransolver surrogate trained on 2,300 high-fidelity CFD simulations of the NASA CRM wing-body configuration, spanning geometric variation, Mach 0.70-0.85, and angles of attack 0 to 4 degrees, reproduces the CFD integrated aerodynamic forces and pitching moment to R2 > 0.99 but does not match the experimental data. To incorporate experimental information without retraining the surrogate, a correction network is trained on spatially registered PSP measurements at two freestream Mach numbers (0.70 and 0.85) across the same angle-of-attack range, learning the discrepancy between the surrogate-predicted and experimentally measured surface-pressure distributions. At Mach 0.85 the correction substantially improves agreement with PSP, particularly at the wing suction peak, shock location, and subsequent pressure recovery, reducing both the magnitude of the prediction error and the fraction of wetted surface on which it exceeds 0.05 in Cp, and it does so from a limited experimental dataset without modifying the pretrained surrogate parameters. On held-out angles of attack the grounded surrogate agrees with measurement to within 2.3-2.7% of the measured Cp range, and outperforms direct interpolation between the measured conditions at every state tested. Experimental measurements can therefore ground a large-scale simulation-trained surrogate by learning systematic CFD-to-experiment discrepancies while preserving its generalization capability and computational efficiency.
• Abstract（参考訳）: 高忠実度CFDデータに基づいて訓練された空力代理モデルは、スカラー出力と全フィールドの数値予測を正確に再現するが、その予測忠実度はCFDと実験観測の体系的不一致によって制限される。 本研究では,風洞PSP測定を用いてCFD訓練深層学習サロゲートを適応させる実験的基盤補正フレームワークを提案する。 ジオトランスオーバーのシュロゲートは、NASA CRMのウィングボディ構成の2300個の高忠実CFDシミュレーションを訓練し、幾何的変動、マッハ0.70-0.85、攻撃角度0から4度にわたって、CFD統合空力とR2 > 0.99への投射モーメントを再現するが、実験データと一致しない。 サロゲートをリトレーニングすることなく実験情報を組み込むため、同じ角度の2つのフリーストリームマッハ数(0.70,0.85)における空間的に登録されたPSP測定に基づいて補正ネットワークをトレーニングし、サロゲート予測と実験的に測定された表面圧分布の差分を学習する。 Mach 0.85では、特に翼吸引ピーク、衝撃位置、およびその後の圧力回復においてPSPとの整合性を大幅に改善し、予測誤差とCpの0.05を超える濡れた表面の分画を減少させ、事前訓練された代理パラメータを変更することなく限られた実験データセットから補正する。 攻撃のホールドアウト角度では、接地されたサロゲートは測定されたCp範囲の2.3-2.7%の範囲で測定と一致し、試験された全ての状態における測定条件間の直接補間よりも優れる。 したがって, CFD-to-experimentの系統的な相違を学習し, 一般化能力と計算効率を保ちながら, 大規模シミュレーション訓練サロゲートを基礎にすることができる。

関連論文リスト

• Toward Reliable Railway-Bogie Response Prediction Using Multifidelity TDNN and Physics-Informed Residual Learning [9.679297769625286]
  鉄道技術者は、徹底的にテストできない運用シナリオにまたがる車両の応答を予測するシミュレーションモデルを必要としている。 本稿では,多体シミュレーション履歴を低忠実度情報として扱い,ローラーリグ測定を高忠実度証拠として扱う多忠実鉄道ボギー応答補正法を提案する。
  論文  参考訳（メタデータ） (2026-09-10T07:56:53Z)
• A Bayesian latent Gaussian process framework for aerodynamic uncertainty quantification [0.0]
  実験により,低忠実度計算予測のキャリブレーション方法を示す。 希薄な測定データを用いて, 希薄な低忠実度データから得られたサロゲートモデルを校正する。 本モデルでは,外挿入力設定を含む空力係数の不確かさを高精度に予測する。
  論文  参考訳（メタデータ） (2026-06-27T11:29:30Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Multi-Fidelity Emulation of Atmospheric Correction Coefficients with Physics-Guided Kolmogorov-Arnold Networks [0.17188280334580194]
  大気補正は光リモートセンシングにおける重要な前処理ステップである。 本研究では,大気補正係数をエミュレートする物理対応多面体サロゲートフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-04T22:43:25Z)
• Variational Inference for Bayesian MIDAS Regression [0.0]
  線形重みパラメータージネーションを用いた回帰のための座標アセント変分推論 (CAVI) アルゴリズムを開発した。 CAVIは、107xから1,772xのスピードアップを達成しつつ、ブロックギブスサンプリングベンチマークとほぼ同一の後方手段を生成する。 重み関数パラメータは、すべてのcon gurationに対して優れたキャリブレーション(カバーは92%以上)を維持している。
  論文  参考訳（メタデータ） (2026-02-23T08:51:26Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Multi-fidelity aerodynamic data fusion by autoencoder transfer learning [0.0]
  本研究では,不確実性を考慮した空力データ融合を実現するための多要素深層学習フレームワークを提案する。 NACA翼(2D)および超音速翼(3D)データベースの表面圧力分布を調べた。 このフレームワークは、95%を超える、堅牢で行動可能な不確実性帯を生成する。
  論文  参考訳（メタデータ） (2025-12-15T08:06:52Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• An Empirical Wall-Pressure Spectrum Model for Aeroacoustic Predictions Based on Symbolic Regression [36.814181034608666]
  本稿では,電流予測の堅牢性と精度を高めるために,新しい壁圧スペクトル実験モデルを提案する。 このモデルは、遺伝的アルゴリズムに基づくアプローチを用いて、AIに基づく象徴的回帰を用いて開発されている。 これは、フルスケールの風力タービンの空気音響ノイズを予測するために、Amietの理論と統合されている。
  論文  参考訳（メタデータ） (2025-01-14T14:14:22Z)
• Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
  条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。 モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。 さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
  論文  参考訳（メタデータ） (2024-10-16T07:48:53Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。