.png){kind=icon}
返回
Multi-fidelity modeling method based on adaptive transfer learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.inffus.2025.103045.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工程应用中的广泛问题需要高保真数据来反映真实的物理现象。然而，在数据采集成本约束下，仅能维持少量高保真数据，这使得难以满足工程应用场景的高保真数据需求。本文提出一种多保真迁移建模方法，即自适应迁移学习网络（AtNet），旨在抑制多源数据融合中因高保真数据样本稀缺导致的过拟合现象。该方法基于最小迁移损失理论，构建与高保真域特征相似的多重中间域，将迁移任务划分为多阶段迁移过程，并引入丰富多样的特征信息以抑制过拟合现象。最后，将AtNet应用于数值算例的多保真建模任务。与传统多保真建模方法相比，AtNet不仅保持了高预测精度，还能在进一步减少高保真训练数据后，有效反映高保真数据的规律。特别地，AtNet被应用于涉及SG6043翼型气动数据及ONERA M6压力分布数据的多保真建模场景，通过减少高保真训练数据进行对比实验。结果表明，AtNet可使用最少的高保真训练数据逼近气动学的真实物理规律，从而降低高精度气动参数设计的成本。
Keyword:
Adaptive transfer
Multi-fidelity
Minimum transfer loss
期刊
IF:
15.5
论文数:
4.2K
被引数:
2.7W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏分享收藏Discovering governing equations from data by sparse identification of nonlinear dynamical systems通过非线性动力系统的稀疏识别从数据中发现控制方程
OAAI
OAAI分享收藏Learning properties of ordered and disordered materials from multi-fidelity data从多保真度数据中学习有序和无序材料的属性OAAI
OAAI分享收藏Aerodynamic Shape Optimization for Delaying Dynamic Stall of Airfoils Using Cokriging Regression
PREAI
分享收藏
分享收藏
查看更多内容