人类对于世界的探索已经不仅仅局限于陆地和海洋,而是将探索的方向转向了更为广袤的天空和宇宙,因此对各个国家在航空航天领域的技术实力提出了更高的挑战,国家在空气动力学领域的研究与进步也就显得尤为重要。空气动力学中在获取气动数据时仍依赖较为传统的方法,但此类方法的局限性较大,通常具有较高的时间或经济成本。而当前人工智能技术的蓬勃发展为空气动力学领域气动数据的获取方式的发展提供了新的契机。空气动力学领域传统的数据建模方法均需要使用数学方法对于物理规律进行描述,得到一系列结构复杂的高维偏微分方程,再由高性能计算机对这些方程进行求解以获得数据。但其缺陷在于计算成本较高,耗时较长。相反,若使用深度学习方法建立脱离复杂物理机理的气动数据模型,专注于气动输入参数与其对应输出数据的映射关系研究,则可大大提高模型预测数据的效率。因此,本文将探索如何使用深度神经网络建立气动数据预测模型,并基于空气动力学领域具有代表性的多个案例建立实验所用数据集,验证基于深度神经网络的气动数据预测模型的有效性。本文所进行的工作可概括如下:1.确定本文将要采用的实验对象案例,并根据业界通用方法,借助计算机对实验案例进行求解,以构建本文所需的用于深度神经网络模型训练的相关数据集。2.经过对气动数据中输入参数和输出数据之间的关系的分析,采用经典的全连接神经网络,并对激活函数、损失函数、隐藏层层数和隐藏层节点数等超参数进行确定,建立了气动数据预测模型,对气动数据集中的气动分布规律进行学习。3.为探索是否有更为新颖、先进的深度神经网络模型可用于气动数据建模,本文以近年来取得了较为广泛关注的生成式对抗网络为基础,结合气动数据建模问题的实际情况,采用多层感知机代替原始生成式对抗网络模型中的卷积神经网络来构建生成器网络和判别器网络,建立了相关的气动数据预测模型。4.在完成以上两种类型的气动数据预测模型的相关实验后,本文分析并总结了其具有的优势和不足,针对其不足,采用了多任务学习方法和集群神经网络模型加以改进。实验证明,本文所采取的改进方法切实有效,能实现对气动数据更为准确的预测。