Naukowcy z NASA i partnerskich instytucji stworzyli ramę metodologiczną do poprawy surogatów aerodynamicznych poprzez połączenie wysokowiernych symulacji CFD z rzeczywistymi pomiarami eksperymentalnymi z tunelu wiatrowego. Problem polega na tym, że modele głębokie wytrenowane wyłącznie na numerycznych symulacjach CFD osiągają wysoką zgodność z danymi treningowymi, ale nie odzwierciedlają rzeczywistości - systematyczne rozbieżności między symulacją a eksperymentem obniżają wartość praktyczną tych modeli.
W badaniu wykorzystano surrogat Geotransolver wytrenowany na 2300 symulacjach CFD konfiguracji skrzydła NASA CRM w zakresie liczb Macha 0,70-0,85 i kątów natarcia 0-4 stopni. Model osiągnął współczynnik determinacji R2 wyższy niż 0,99 dla sił aerodynamicznych i momentu pochylającego względem danych CFD. Aby uwzględnić rzeczywiste pomiary bez retraining całego modelu, badacze wytrenowali sieć korekcyjną na pomiarach rozkładu ciśnienia powierzchni (PSP) z tunelu aerodynamicznego. Sieć nauczyła się predykować różnicę między przewidywaniami surrogatu a rzeczywistymi pomiarami eksperymentalnymi.
Wyniki pokazały, że korekcja znacznie poprawiła zgodność z danymi eksperymentalnymi, szczególnie w krytycznych obszarach takich jak pik ssania na skrzydle i lokalizacja fali uderzeniowej. Metoda zmniejszyła zarówno wielkość błędu predykcji, jak i procent powierzchni skrzydła, na której błąd przekraczał 0,05 w współczynniku ciśnienia (Cp). Przełomowym aspektem jest to, że osiągnięto to bez modyfikacji wstępnie wytrenowanego surrogatu i przy użyciu ograniczonego zestawu danych eksperymentalnych - framework można zatem efektywnie stosować w praktyce inżynierskiej.