问题——高超声速飞行器气动数据库建设长期依赖大量风洞试验和高保真数值计算；随着设计迭代加快、工况维度增加，试验与计算需求常常从千级攀升到万级，成本和周期压力随之凸显，成为影响工程研制效率的主要瓶颈。如何保证可信度的前提下减少对“昂贵数据”的依赖，已成为气动设计数字化转型中的关键问题。 原因——高超声速流动机理复杂，激波干扰、边界层效应与舵面偏转之间耦合明显，单一来源数据很难同时兼顾覆盖范围与精度：低成本数据获取容易但误差相对更大，高精度数据更接近真实却代价高、周期长。因此，融合多来源、多精度数据的变可信度建模成为可行路线：用大量低精度数据刻画总体趋势，再用少量高精度样本对关键区域校正，以更低成本获得接近高保真的预测能力。 影响——在运载火箭子级栅格舵落区控制这个工程场景中，研究团队将加法标度函数修正（AS-MFS）、Co-Kriging、分层Kriging（HK）和多可信度神经网络（MFNN）纳入统一框架进行对比评估，并按工况划分开展验证：马赫数不高于4的插值区侧重交叉验证与绝对误差统计；马赫数大于4的外推区更强调物理规律一致性检验，并辅以人工复核。结果表明，不同模型在“插值精度”和“外推稳定性”之间存在明显取舍，提示工程应用不宜只用插值误差作为单一评价指标。 对策——围绕高斯过程回归的关键环节，研究对对应的函数（核函数）选择进行了对比分析。三次样条相关函数局部性较强，样本间距增大时相关性衰减快，外推时容易出现“记忆不足”；高斯指数相关函数输出更平滑，更符合气动系数随工况逐步变化的物理直觉。研究建议工程建模优先考虑高斯指数相关函数，并合理收敛超参数搜索范围，避免调参区间过宽导致过拟合与欠拟合反复切换，从而影响模型可解释性与稳定性。 更的模型对比表明：在马赫数不高于4的插值区，Co-Kriging表现出更好的泛化能力与误差稳定性，AS-MFS与分层Kriging次之；MFNN插值精度略弱但总体可控。进入马赫数大于4的外推区后，分层Kriging对局部样本依赖更强，部分舵偏角条件下出现趋势交叉等不一致现象，风险较高；MFNN依托对非线性映射的表达能力，在外推曲线的连续性与平滑性上更占优势，虽然插值误差不占优，但更容易给出物理上可接受的过渡；Co-Kriging与AS-MFS外推误差整体可控，但仍需二次校核，避免在样本稀疏区域出现偏差累积。 前景——研究团队认为，变可信度框架为高超声速栅格舵气动设计提供了可推广的数据库构建思路：插值工况可优先采用Co-Kriging以兼顾精度与稳定性；外推工况可考虑MFNN提升趋势连续性，但必须配套严格的物理一致性检查机制。面向后续应用，研究计划将工程经验与物理先验约束进一步融入变可信度融合过程，发展更易验证的代理模型，并完善外推风险评估方法，实现对模型可信边界的快速判定，为工程人员提供更直接的决策依据。
在高超声速工程实践中，数据不是越多越好，模型也不是越复杂越强，关键在于建立一套能统筹成本、精度与可信度的方法体系。变可信度融合模型为“以少胜多”提供了可行路径，但边界同样明确：外推结果必须接受物理规律与试验的再验证。只有把模型能力纳入工程流程、把风险控制落实到验证机制中，数字化工具才能成为可靠的生产力。