高保真計算流體力學（CFD）模擬在航空飛行器氣動設計中扮演關鍵角色，而基於CFD資料訓練出的深度學習代理模型可以高效復現數值模擬結果。但CFD本身與風洞實驗之間存在系統性偏差，導致這類模型難以直接契合真實試驗觀測。Nitin Nagesh Kulkarni等五位作者提出一種實驗接地校正框架：透過風洞壓力敏感塗料（PSP）實測資料對CFD訓練的代理模型進行修正，無需重新訓練龐大的代理模型即可使預測更接近實驗。
研究物件選用NASA CRM翼身組合體構型。基礎代理模型Geotransolver先在2,300個高保真CFD樣本上訓練，覆蓋幾何變化、馬赫數0.70～0.85與迎角0～4度。該模型能以R2>0.99的精度復現CFD計算的積分氣動力和俯仰力矩，但其表面壓力分佈與風洞PSP測量資料之間存在不可忽略的差異。
為納入實驗資訊，作者在空間配準後的PSP測量資料上訓練了一個校正網路。資料來自0.70和0.85兩個來流馬赫數，並與代理模型在同一迎角範圍內的預測進行比較，從而學習代理模型輸出與實驗測得表面壓力分佈之間的系統性偏差。校正網路被新增在原模型輸出上，預訓練的代理模型引數保持不變，因此不會犧牲原有計算效率或泛化能力。
在校正實驗中，馬赫0.85時的效果最為顯著。校正後，翼面吸力峰、激波位置以及隨後的壓力恢復區域與PSP資料更加吻合；預測誤差的絕對大小和誤差超過ΔCp=0.05的表面比例均明顯下降。重要的是，這種改善僅憑有限實驗資料即可實現，且無需修改由大規模CFD訓練得到的底層模型引數。
作者還評估了校正框架對未參與訓練的迎角狀態的預測能力。對於這些留出迎角，接地代理模型的預測與實測值的偏差保持在實測Cp範圍的2.3～2.7%以內，並且在所有測試狀態下均優於直接對已知馬赫數測量結果進行插值。研究結果表明，透過顯式學習從CFD到實驗的系統誤差，少量風洞資料也能有效校正大規模模擬代理模型，同時保持其泛化效能與計算效率，為氣動實驗與數值模擬的深度融合提供了一條實用路徑。