研究人员开发了一种新的贝叶斯潜在高斯过程框架，以提高气动不确定性量化的准确性。该方法使用稀疏的实验测量来校准低保真计算模型，而这些测量本身也存在不确定性。该框架有效地对输入不确定性进行边际化，并匹配输出不确定性的均值和方差，即使在推断场景中也能对气动系数进行高度准确的预测。验证表明，该模型的预测具有高保真度，落在真实不确定性区间内。 AI
影响 该框架通过更好地考虑不确定性，可以提高航空航天工程等领域的模拟可靠性。
排序理由 该集群包含一篇详细介绍新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.28871v1 Announce Type: new Abstract: Predicting the aerodynamic performance (e.g. lift, drag, and moment coefficients) of an aircraft is challenging -- computational models are biased and direct simulations are prohibitive. A pragmatic way to overcome this limitation i…
Predicting the aerodynamic performance (e.g. lift, drag, and moment coefficients) of an aircraft is challenging -- computational models are biased and direct simulations are prohibitive. A pragmatic way to overcome this limitation is by calibrating low-fidelity computational pred…