空气动力学主要研究空气运动规律及物体在空气中运动所产生的各种力,其作为流体力学的重要分支,直接影响着各国航空航天事业的进步与发展。传统研究手段获取流场数据时,存在资源消耗过大的问题,因而气动数据建模作为有效的替代方法,成为空气动力学领域的研究热点。目前主流气动数据建模方法大多依赖气动机理,受限于空气动力学物理模型的高复杂度,这类方法难以从根本上降低计算成本。无物理模型的方法不依赖气动机理,直接建立气动数据映射关系,在保证一定精度的同时大幅降低计算成本,然而现有的此类研究通常基于传统机器学习技术,存在精度不足等问题。因此,本文结合集群网络、多任务学习、混合专家网络等深度学习技术,针对多种重要的流动场景,提出适用十气动数据的有效建模方法,并在不同复杂度、样本量的数据集上对所建模型进行有效性验证。全文主要工作可以概括如下:1.面向基础的流动场景,基于分治思想,设计集群网络气动模型。该模型包含多个子网络,各子网络根据训练数据自动学习实现不同功能,完成气动数据有效建模。针对模型训练过程中整个模型可能被个别子网络主导的问题,针对性地提出一种新的损失函数,改进模型训练效果。同时,提出对训练数据进行分组,辅助各子网络功能划分,获得更好的局部模型。通过与现有的气动数据建模方法进行系统的对比实验,证明所提方法显著提高模型精度和计算速度。2.面向相对复杂并且训练数据较少的流动场景,提出基于多任务学习技术的气动数据建模方法。基于多任务学习的气动模型在任务相关性较高且稳定时,具备良好的模型效果。为进一步提升模型性能,提出将多任务学习与集群网络结合的气动模型,利用集群网络提升多个任务共享特征的学习效果。3.为解决因任务相关性差异较大导致的模型性能下降问题,设计基于多门控混合专家网络的气动模型,实现气动数据有效建模。该模型为每个任务都添加一个专属门控网络,保证不同任务以各自所需的最优方式利用专家网络。但由于气动数据中不同任务的复杂度存在差异,为了减小门控网络对于简单任务的负面影响,并保留门控网络对于复杂任务的促进作用。提出基于残差网络思想的残差门控网络,对多门控混合专家网络气动模型进行改进。实验证明,该方法在面向简单和复杂气动数据建模任务时,均具备良好的性能。