摘要
一种基于交叉注意力机制的气动力与流场预测方法，涉及流体力学与人工智能交叉领域。先采集飞行器不同工况下的流场数据和气动力数据并预处理，利用具有多尺度卷积结构的CNN提取流场时空特征，借助长短时记忆网络（LSTM）构建的RNN捕捉气动力动态特征，通过融合自注意力与互注意力的交叉注意力机制强化两者耦合关系，基于融合特征预测气动力，采用含流场物理约束的损失函数优化结果。提升气动力与流场预测的精度和效率，增强了模型泛化与鲁棒性，且具备一定可解释性，适用于航空航天、风工程、车辆设计等涉及流体力学的工程领域，为相关设计和分析提供有力支持。
