Multi-dimensional aerodynamic database technology is widely used, but its model often has the curse of dimensionality. In order to solve this problem, we need projection to reduce the dimension. In addition, due to the lack of traditional method, we have improved the traditional flow field reconstruction method based on artificial neural networks, and we proposed an array neural network method.In this paper, a set of flow field data for the target problem of the fixed Mach number is obtained by the existing CFD method. Then we arrange all the sampled flow field data into a matrix and use proper orthogonal decomposition (POD) to reduce the dimension, whose size is determined by the first few modals of energy. Therefore, significantly reduced data are obtained. Then we use an arrayed neural network to map the flow field data of simplified target problem and the flow field characteristics. Finally, the unknown flow field data can be effectively predicted through the flow field characteristic and the trained array neural network.At the end of this paper, the effectiveness of the method is verified by airfoil flow fields. The calculation results show that the array neural network can reconstruct the flow field of the target problem more accurately than the traditional method, and its convergence speed is significantly faster. In addition, for the case of high angle flow field, the array neural network also performs well. There are no obvious jumps, and huge errors are found in results. In general, the proposed method is better than the traditional method.

中文翻译：

---

基于阵列神经网络的流场重建方法

多维气动数据库技术应用广泛，但其模型往往存在维数灾难。为了解决这个问题，我们需要投影来降低维度。此外，由于缺乏传统方法，我们对传统的基于人工神经网络的流场重建方法进行了改进，提出了一种阵列神经网络方法。固定马赫数是通过现有的CFD方法得到的。然后我们将所有采样的流场数据排列成一个矩阵，并使用适当的正交分解（POD）来降低维度，其大小由前几个能量模态决定。因此，获得了显着减少的数据。然后我们使用阵列神经网络来映射简化目标问题的流场数据和流场特征。最后，通过流场特征和训练好的阵列神经网络，可以有效地预测未知流场数据。最后，通过翼型流场验证了该方法的有效性。计算结果表明，阵列神经网络比传统方法能够更准确地重构目标问题的流场，收敛速度明显更快。此外，对于大角度流场的情况，阵列神经网络也表现良好。没有明显的跳跃，在结果中发现了巨大的错误。总的来说，所提出的方法优于传统方法。通过流场特性和训练好的阵列神经网络可以有效地预测未知流场数据。本文最后通过翼型流场验证了该方法的有效性。计算结果表明，阵列神经网络比传统方法能够更准确地重构目标问题的流场，收敛速度明显更快。此外，对于大角度流场的情况，阵列神经网络也表现良好。没有明显的跳跃，在结果中发现了巨大的错误。总的来说，所提出的方法优于传统方法。通过流场特性和训练好的阵列神经网络可以有效地预测未知流场数据。本文最后通过翼型流场验证了该方法的有效性。计算结果表明，阵列神经网络比传统方法能够更准确地重构目标问题的流场，收敛速度明显更快。此外，对于大角度流场的情况，阵列神经网络也表现良好。没有明显的跳跃，在结果中发现了巨大的错误。总的来说，所提出的方法优于传统方法。通过翼型流场验证了该方法的有效性。计算结果表明，阵列神经网络比传统方法能够更准确地重构目标问题的流场，收敛速度明显更快。此外，对于大角度流场的情况，阵列神经网络也表现良好。没有明显的跳跃，在结果中发现了巨大的错误。总的来说，所提出的方法优于传统方法。通过翼型流场验证了该方法的有效性。计算结果表明，阵列神经网络比传统方法能够更准确地重构目标问题的流场，收敛速度明显更快。此外，对于大角度流场的情况，阵列神经网络也表现良好。没有明显的跳跃，在结果中发现了巨大的错误。总的来说，所提出的方法优于传统方法。没有明显的跳跃，在结果中发现了巨大的错误。总的来说，所提出的方法优于传统方法。没有明显的跳跃，在结果中发现了巨大的错误。总的来说，所提出的方法优于传统方法。