.png){kind=icon}
返回
Predicting onflow parameters using transfer learning for domain and task adaptation
.png){kind=icon}
OA
AI
DOI：10.1016/j.ast.2025.111161.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 使用卷积神经网络(ConvNet)模型基于稀疏表面压力数据预测攻角和来流速度。
• 提出了一种利用基于ConvNet架构的迁移学习框架，用于领域和任务适配。
• 研究了包括数据分布变化适配、领域扩展、噪声数据以及任务变化在内的演示案例。
Keyword:
Transfer learning
Neural networks
Onflow parameter prediction
Nonlinear systems
Domain adaptation
Task adaptation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.8
论文数:
1.0W
被引数:
3.0W
机构
暂无机构信息
引用论文
C. F. Lo, J. L. Zhao, R. DeLoach, Application of Neural Networks to Wind Tunnel Data Response Surface Methods, in: Proc. of the 21st AIAA Aerodynamic Measurement Technology and Ground Testing Conf., 2000, pp. 1–13.C. F. Lo, J. L. Zhao, R. DeLoach, 神经网络在风洞数据响应面方法中的应用，载于：第21届AIAA空气动力学测量技术与地面试验会议论文集，2000年，第1-13页。.png)
IF0
PREAI
分享收藏E. Yilmaz, B. German, A Convolutional Neural Network Approach to Training Predictors for Airfoil Performance, in: Proc. of the 18th AIAA/ISSMO Multidisciplinary Analysis and Optimization Conference, 2017, pp. 1–19. 10.2514/6.2017-3660E. Yilmaz, B. German, 卷积神经网络方法训练用于翼型性能的预测器，发表于：第18届AIAA/ISSMO多学科分析与优化会议论文集, 2017, 第1-19页。DOI: 10.2514/6.2017-3660
IF0
PREAI
分享收藏
Reynolds averaged turbulence modelling using deep neural networks with embedded invariance使用具有嵌入式不变性的深度神经网络进行雷诺平均湍流建模OAAI
OAAI分享收藏
查看更多内容