基于多尺度几何先验神经算子方法的飞行器气动性能预测

针对传统气动仿真重复迭代多, 难以支撑整机级快速设计评估的问题, 本文提出了一种基于多尺度几何先验神经算子的新颖方法. 利用基于网格感知的几何重映射 (Grid Aware Geometric Remapping, GAGR) 可将原始点云映射为信息分布集中的局部加密表示, 从而在有限点数要求下更有效地承载关键几何特征; 空间约束下的适应性采样机制 (Adaptive Sampling under Spatial Constraints, ASSC), 通过体素划分与重构局部点集以有效调控输入几何中不同区域的点云密度, 形成基于区域重要性的自适应密度调控并实现具备合理空间分布的点云几何. 最后, 引入几何信息神经算子模型, 通过在潜在规则网格空间中利用局部几何邻接关系与傅里叶算子结构, 实现从外形几何到气动性能的端到端映射. 在翼身融合构型上的实验表明, 本方法可准确的重现表面压力系数的分布特征, 预测结果的相关性系数可达0.95以上; 在自建的背部进气式布局构型数据集上的相关性系数可达0.91以上, 结果验证了所提方法在复杂构型场景下的鲁棒性, 为航空飞行器气动性能快速评估任务提供了高效可行的方案.