English(EN) Optimization-Embedded Active Multi-Fidelity Surrogate Learning for Multi-Condition Airfoil Shape Optimization

新AI方法优化翼型形状，降低模拟成本

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-09 04:00

研究人员开发了一种新的流体动力学模拟中优化翼型形状的方法。该方法使用多保真代理学习框架，结合低保真XFOIL评估和自适应、高保真RANS模拟。该系统旨在降低复杂模拟的计算成本，同时保持准确性，在翼型设计的巡航效率和起飞升力方面取得了显著改进。 AI

影响这项研究通过降低空气动力学模拟的计算成本，可能带来更高效的飞机部件设计流程。

排序理由该集群包含一篇详细介绍计算流体动力学新方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Isaac Robledo, Alberto Vilari\~no, Arnau Mir\'o, Oriol Lehmkuhl, Carlos Sanmiguel Vila, Rodrigo Castellanos · 2026-07-09 04:00

Optimization-Embedded Active Multi-Fidelity Surrogate Learning for Multi-Condition Airfoil Shape Optimization

arXiv:2603.17057v2 Announce Type: replace-cross Abstract: Active multi-fidelity surrogate modeling is developed for multi-condition airfoil shape optimization to reduce high-fidelity CFD cost while retaining RANS-consistent aerodynamic metrics. The framework couples a low-fidelit…