为了解决湍流模型不确定性对超声速喷嘴分离流场数值重构准确性的严重限制，本研究对剪切应力输运（SST）模型进行了不确定性量化和参数同化。基于主成分分析和深度神经网络（PCA-DNN）的高精度流场代理模型被使用。与直接的DNN和二次多项式混沌扩展相比，构建的PCA-DNN代理分别减少了33.87%和58.53%的均方根误差，显著提高了DNN建模效率，为不确定性量化和参数同化提供了坚实基础。使用677个拉丁超立方体抽样的SST模型参数案例进行不确定性量化，揭示参数σω2和β2主导了不确定性贡献。冲击位置预测偏差是驱动下游不确定性传播的主要机制，导致自由冲击分离（FSS）的最大脉冲偏差高达88.8%，限制冲击分离（RSS）的最大脉冲偏差为15.3%。此外，探索了一种工程优化方法，以改进SST模型对FSS到RSS过渡的压力比预测，基于β*。最后，建立了一个基于参数同化的高精度数值流场重构框架。由壁面压力数据驱动的参数同化在仅2至6次粒子群优化增量迭代内实现了壁面压力误差平方和的减少94.14%（FSS）和76.85%（RSS），同时对冲击系统进行全球校正，有效抑制了流场不确定性的来源。
Huang等（周五）研究了这个问题。