انجام آزمون­های مدل اجسام پرنده در تونل باد با شرایط جریانی مناسب تأثیر به­سزایی در میزان کیفیت طراحی و بهینه­سازی آن­ها داشته و در نتیجه نقش عمده‌ای در ایجاد اعتماد بین صنایع و کارفرماها دارد. در فرآیند کالیبراسیون تونل باد، پارامترهای جریان عبوری از محفظه آزمون تونل باد، اعم از توزیع سرعت و فشار، میزان یکنواختی، اغتشاش و زاویه جریان و نیز دقت اطلاعات و ... به­دست آورده می­شود. این فرآیند به دلیل داشتن طیف وسیعی از اعداد ماخ و ابعاد نسبتاً بزرگ محفظه آزمون تونل باد بسیار زمان­بر و پرهزینه است. در این تحقیق، جهت غلبه بر این مشکلات و صرفه­جویی در زمان و هزینه، آزمون­هایی در مقاطعی از محفظه آزمون در چند عدد ماخ انجام شده و داده­های مورد نظر اندازه­گیری و اخذ شده است. سپس، برای بدست آوردن داده­ها در سایر مقاطع و اعداد ماخ فیمابین از روش محاسبات نرم استفاده شده است. در واقع، با پایش بلادرنگ و داده­کاوی مبتنی بر شبکه عصبی (GRNN) روی نتایج کالیبراسیون تونل باد و آموزش این شبکه، نتایج مورد نظر در آن نقاط به­دست آمده است. در این مقاله، نشان داده شده که شبکه عصبی رگرسیون عمومی بر روش­های متداول تخمین توابع، نظیر حداقل مربعات، برتری کامل دارد. با به­کارگیری این تکنیک هوشمند، تعداد دفعات آزمون تا 50 درصد تقلیل یافته و درنهایت هزینه و زمان انجام آزمون­ها برای کالیبراسیون تونل باد به همین نسبت کاهش می­یابد.