针对流场预测需求, 本文提出一种结合科尔莫哥罗夫-阿诺德网络(KAN)与动态上采样器(DySample: Upsampling by Dynamic Sampling)的KAN耦合模型(KADS), 并利用二维菱形翼型数据开展流场数据预测应用。本文改变原始KAN的激活函数B-Spline, 构建FourierKAN、GRBFKAN、RBFKAN、ChebyKAN等KAN结构, 并对其耦合DySample后的性能进行评估。通过与传统的多层感知机(MLP)进行对比发现, 以切比雪夫多项式为激活函数的ChebyKAN能以较少的训练时间和次数实现较高的准确率, 且在测试时不会出现过拟合的现象。结果表明: 本文提出的KADS模型适用于流场预测分析任务, 能够为深度学习流体智能建模提供新的建模方法与思路。
