高保真计算流体力学（CFD）仿真在航空飞行器气动设计中扮演关键角色，而基于CFD数据训练出的深度学习代理模型可以高效复现数值模拟结果。但CFD本身与风洞实验之间存在系统性偏差，导致这类模型难以直接契合真实试验观测。Nitin Nagesh Kulkarni等五位作者提出一种实验接地校正框架：通过风洞压力敏感涂料（PSP）实测数据对CFD训练的代理模型进行修正，无需重新训练庞大的代理模型即可使预测更接近实验。
研究对象选用NASA CRM翼身组合体构型。基础代理模型Geotransolver先在2,300个高保真CFD样本上训练，覆盖几何变化、马赫数0.70～0.85与迎角0～4度。该模型能以R2>0.99的精度复现CFD计算的积分气动力和俯仰力矩，但其表面压力分布与风洞PSP测量数据之间存在不可忽略的差异。
为纳入实验信息，作者在空间配准后的PSP测量数据上训练了一个校正网络。数据来自0.70和0.85两个来流马赫数，并与代理模型在同一迎角范围内的预测进行比较，从而学习代理模型输出与实验测得表面压力分布之间的系统性偏差。校正网络被添加在原模型输出上，预训练的代理模型参数保持不变，因此不会牺牲原有计算效率或泛化能力。
在校正实验中，马赫0.85时的效果最为显著。校正后，翼面吸力峰、激波位置以及随后的压力恢复区域与PSP数据更加吻合；预测误差的绝对大小和误差超过ΔCp=0.05的表面比例均明显下降。重要的是，这种改善仅凭有限实验数据即可实现，且无需修改由大规模CFD训练得到的底层模型参数。
作者还评估了校正框架对未参与训练的迎角状态的预测能力。对于这些留出迎角，接地代理模型的预测与实测值的偏差保持在实测Cp范围的2.3～2.7%以内，并且在所有测试状态下均优于直接对已知马赫数测量结果进行插值。研究结果表明，通过显式学习从CFD到实验的系统误差，少量风洞数据也能有效校正大规模仿真代理模型，同时保持其泛化性能与计算效率，为气动实验与数值模拟的深度融合提供了一条实用路径。