基于XGBoost的多源气动数据融合建模

作     者：林枫 海春龙 梅立泉 LIN Feng;HAI Chunlong;MEI Liquan

作者机构：西安交通大学数学与统计学院西安710049 

出 版 物：《空气动力学学报》 (Acta Aerodynamica Sinica)

年 卷 期：2024年第42卷第7期

页      面：27-34,I0001页

核心收录：

学科分类：080103[工学-流体力学] 08[工学] 080104[工学-工程力学] 0801[工学-力学（可授工学、理学学位）] 

主　　题：多源气动数据 XGBoost 数据融合 集成学习 

摘      要：飞行试验和计算流体力学(CFD)是气动数据获取的两种常用手段,其中,通过飞行试验获取的气动数据精度高,但成本高昂,而通过CFD获取气动数据成本低,数据量丰富。因此,为了以尽可能低的成本获取精度更高的气动数据,本文利用数据融合方法,提出了一种可以融合大量的由CFD获取的气动数据与少量由飞行试验获取的气动数据的嫁接XGBoost(eXtreme Gradient Boosting)集成模型框架。首先,利用充足的CFD气动数据建模,作为融合框架中的低精度模型;然后,将少量飞行试验参数输入低精度模型得到相应的气动输出;最后,结合飞行试验气动数据的其他特征进行二次建模,实现对真实气动参数的预测。为了证明所提算法的有效性,本文设置了相关的对比实验,结果表明:1)多源气动数据融合建模较单源气动数据建模具有更高的预测精度;2)集成学习模型比传统的机器学习模型具有更强的泛化性能,其中XGBoost模型泛化能力最强,能够实现对气动参数的准确预测。