在深度学习与流体力学深度融合的背景下，科研边界不断拓展，创新成果层出不穷。从物理模型融合到复杂流动模拟，从数据驱动研究到流场智能分析，深度学习正以前所未有的力量重塑流体力学领域。近期在Nature和Science杂志上发表的深度学习驱动的流体力学方面的论文主要集中以下几个方面：

1. 深度学习与物理模型的融合：构建物理增强的深度学习模型，将流体力学的控制方程、边界条件等物理规则内嵌于模型中，以提高模型的准确性和物理一致性。
2. 复杂流动现象的模拟与预测：深度学习被应用于模拟湍流、多相流等复杂流动现象，利用其强大的表征学习能力揭示传统数值方法难以捕捉的流动复杂性。
3. 数据驱动的流体动力学研究：深度学习可以从海量流体数据中挖掘流动的内在规律，为实际工程应用提供数据支持。
4. 流场特征的自动识别与分析：深度学习架构能够有效从流体数据中抽取关键特征，应用于流场预测、流动优化、流场可视化等多个领域，极大地提升了流体问题的分析效率和精度。
5. 深度强化学习在流体控制中的应用：深度强化学习被应用于流体控制系统设计，如优化飞行器空气动力学性能，展现了其在解决实际工程问题中的巨大潜力。
6. 开源软件与工具的发展：伴随深度学习在流体力学研究中应用的普及，相关的开源软件和工具为科研人员提供了便捷的平台，简化了深度学习模型的实现与应用过程，加速了研究成果的转化。

为促进科研人员、工程师及产业界人士对深度学习在流体力学领域应用的技术掌握，北京软研国际信息技术研究院特举办本次专题培训会议，承办方互动派（北京）教育科技有限公司，会议会务合作单位为北京中科四方生物科技有限公司，具体相关事宜通知如下：

• 适用人群：

流体力学相关领域的科研人员，航空航天、船舶制造、能源工程、石油化工、环境科学、水利水电等领域的工程师，工业自动化、机器人、智能制造等相关行业从业者，跨领域研究人员。

深度学习驱动的流体力学计算与应用

 

机器学习与流体力学入门

• 经典流体力学

核心要点：

1. 回顾经典流体力学理论，掌握NS方程的基本求解方法和模型
2. 探索流体力学在工业领域的多元应用
3. 运用开源软件OpenFOAM进行流体计算模拟的基本操作
4. 流体力学求解模型认知(RNAS, LES)

实操环节：

基于OpenFOAM的矩形柱体LES模拟案例（经典案例数据与代码提供给学员）

二、机器学习基础与应用

核心要点：

1. 机器学习的基础概念，熟悉并掌握一系列常见及经典的机器学习算法，为后续课程打下坚实基础
2. 掌握运用Python语言进行流动数据的高效后处理。

实操环节：

1. Python编程，为编程新手提供友好的入门指导
2. 展示机器学习在流体力学领域的实际应用案例。
3. 基于python语言的CFD数据后处理（数据与代码提供给学员）

 

人工智能与实验流体力学

实验流体力学

核心知识点：

1. 掌握实验流体力学的基础知识，了解相关实验设备。
2. 了解机器学习技术在实验流体力学中的应用。
3. 掌握Python语言进行实验数据的后处理，增强数据处理能力。
4. 风洞试验

 

实操环节：

1. 展示基于PIV技术的流场数据获取
2. 展示机器学习在实验流体力学领域的应用案例。
3. 运用Python处理实验数据（数据与代码提供给学员）

 

四、人工智能与实验流体力学（流场部分）

核心知识点：

1. 掌握实验流体力学数据处理的先进方法
2. 了解并掌握GAN、DNN、CNN等深度学习技术在流场重构与预测中的应用。

实操环节：

1. 基于人工智能技术的流场预测与重构方法
2. 运用DNN技术进行流场预测（数据与代码提供给学员）

五、人工智能与实验流体力学（压力部分）

核心知识点：

1. 深入了解人工智能技术在压力预测领域的应用前景
2. 掌握UNet算法在压力时序预测中的高效使用方法。

实操环节：

1. 基于人工智能技术的压力预测方法
2. 运用UNet算法进行压力时序预测（数据与代码提供给学员）

 

 

人工智能与计算流体动力学

• 人工智能技术与计算流体动力学

核心知识点：

1. 学习爬虫技术在网页数据获取中的应用，掌握从开源网站获取信息的技术
2. 熟悉民航机翼的空气动力学性能分析
3. 掌握基于多层感知机(MLP)的气动性能预测方法。

实操环节：

1. 基于爬虫技术的网页数据获取流程
2. 基于深度学习的机翼气动性能预测
3. 基于多层感知机(MLP)的民航超临界机翼气动性能预测（数据与代码提供给学员）

七、时空超分辨率技术

核心知识点：

1. 了解时空超分辨率技术的基本原理与应用
2. 掌握人工智能技术在湍流时空超分辨率中的创新应用。
3. 深入理解深度学习与湍流超分辨率的耦合机制。

实操环节：

1. 基于LES/DNS湍流模拟的时空超分辨率研究
2. 基于深度学习的流场时序超分辨率处理（数据与代码提供给学员）

 

 

深度强化学习学习在流体力学中的应用

深度强化学习（Deep Reinforcement Learning, DRL）

核心知识点：

1. 掌握深度强化学习的框架
2. 熟悉深度强化学习的常见算法及其应用场景。
3. 理解深度强化学习中动作空间与观察空间的定义与应用。

实操环节：

1. 深度强化学习在翼型优化的应用
2. 基于深度强化学习的矩形柱体主动流动控制（数据与代码提供给学员）

九、深度强化学习的工程实践

核心知识点：

1. 掌握定义定义离散动作空间/连续动作空间的方法，提升算法设计能力
2. 学习深度强化学习在工程领域的实际应用，增强解决复杂问题的能力。

实操环节：

1. 耦合代理模型的深度强化学习在民航飞机外形优化中的应用
2. 运用深度强化学习进行离散动作空间/连续动作空间的优化（数据与代码提供给学员）

 

课程互动与答疑

1. 回顾实践案例课程内容，巩固所学知识、通过答疑加深对知识点的理解与掌握
2. 前沿文献的解读，如SORA技术、风乌技术等，了解人工智能技术在流体力学领域的最新进展，保持学术前沿性。

 

课程讲师： 来自全球顶尖大学香港科技大学，博士，具有丰富的流体力学工作经验，包括实验流体力学，计算流体动力学(CFD)，近年来发表论文10余篇，申请专利三项。擅长领域：流体力学与人工智能的交叉科学，流场预测与重构，AI for CFD， 深度强化学习的气动优化。

五、课程特色：

1、前沿技术深度聚焦：结合大量实战案例与项目演练，聚焦人工智能技术在流体力学领域的最新研究进展。

2、全方位技能提升：涵盖经典流体力学、机器学习、深度学习、实验流体力学、计算流体动力学、时空超分辨率、深度强化学习等核心知识，全方位提升您的流体力学计算与应用能力。

3、专业优质资源：提供丰富案例数据与代码资源，确保学习效果与实践体验。

 

公众号：科研硕博

v：18514256858