2025年数据驱动的流体力学最新干货分享!

最新推荐文章于 2025-05-19 11:02:23 发布
最新推荐文章于 2025-05-19 11:02:23 发布
阅读量999 收藏 13
点赞数 25
文章标签： 深度学习 人工智能 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_83941020/article/details/145725538
版权

深度学习与流体力学的学科交叉正不断扩展科研的边界。在工业领域，例如航天航空、海洋船舶和能源动力等行业，存在许多亟待解决的流体控制与优化设计难题。流体力学问题的主要特点包括高维度、强非线性和数据量大。近年来，深度学习技术因其数据驱动的特性和处理高维复杂问题的能力，已在流体力学领域取得了一定的应用，而且获了主流期刊比如《Nature》和《Science》杂志的认可。

传统的流体力学模拟方法在应对高耦合度和非线性问题时面临诸多限制，而深度学习技术为流体力学提供了新的思路和方法。这主要集中在：基于流体力学控制方程的辅助求解，流场重构等正问题；控制方程系数等特征量提取等逆问题。通过结构化的神经网络支起完备的解空间，这一技术可以根据外部实验测量数据、物理控制方程、初边界条件等辅助信息寻找问题准确的解函数。同时，不同的神经网络结构提供了更为广阔的灵活性以及功能性，为解决复杂流动问题提供了创新的解决方案，提升了流体动力学仿真的精度与效率，推动了流场优化和控制，以及对复杂流动现象的深入理解。

图片

概述

从流体力学基础，流体力学仿真基础以及流体力学&深度学习基础，层层递进，深入浅出，最终从代码层级一站式打通从流体力学理论到问题解决的整个流程。本课程注重学科基础和数值建模框架，不仅提供代码上的实操支持，而且从物理层面给出仿真结果的物理解释，适合初学者进阶。课程结合前沿论文，讲解论文论述框架，瞄准当下热点难点。最后，依托所课程内容，提供该主题下论文结构性和系统性撰写方式。

图片

图表 1 机器学习在流体力学中的应用

特色

培养流体力学和深度学习的建模能力

l课程注重学科基础和科学建模方案，涵盖多物理场耦合问题和控制方程构建，以及问题简化的物理依据。结合控制方程，将问题从复杂到简单，最终在CAE训练中感受如何抓住主要矛盾，精简问题结论；

课程注重深度学习基础理论，培养从0到1的神经网络建模过程，从原理上理解神经网络，从代码上实现神经网络；

学习深度学习在流体力学中的应用，比较经典解法和深度学习解法。培养精通流体力学与深度学习的复合型人才，为解决流体力学问题提供另一种范式。

理论与实践并重

从工程师培养的角度，培养简化问题的能力；

简化软件上手难度，定位软件或代码为服务于问题的工具；

手把手教学CFD建模，使用如COMSOL Multiphysics，Ansys Fluent，OpenFOAM 等建模软件，并同步展示控制方程，理解操作的底层逻辑。

追踪前沿动态

分析国际团队最新研究成果，以探索深度学习在流体力学中的发展趋势；

拓展学员拥有国际视野，加强与国际同行的交流合作；

l积极鼓励学员在流体力学与深度学习间寻找创新交叉点，跟踪前沿研究。

教师

该位主讲老师来自于国内985高校实验室，毕业于国内顶尖的985工程院校和海外名校，和多个公司有深度学习流体力学横向项目上的合作。纵向方面，专业领域涵盖流体力学和多物理场流场耦合问题。老师拥有丰富的仿真经验和培训经验，熟练使用如COMSOL Multiphysics，Ansys Fluent，OpenFOAM 等建模软件。老师在该领域同样拥有多年研究经验，发表子刊、SCI论文多篇。擅长深度学习建模研究，流体力学中的深度学习方法，数据驱动的计算力学，有限元方法，有限差分法，有限体积法，CFD，并广泛应用于解决流体力学和多物理场仿真挑战中。在深度学习方面，研究重点包括长短记忆神经网络 (LSTM)、卷积神经网络 (CNN)，以及物理信息神经网络 (Physics-informed neural networks)等。

第一天

流体力学复习Day 1-1

连续介质假设

拉格朗日/欧拉描述

变形梯度及其谱分解

速度，速度梯度

特殊运动：刚体运动，稳定运动，恒定速度梯度运动

自旋与涡量运输方程，环量与涡线

客观性与客观率

Day 1-2

雷诺输运方程

欧拉描述与拉格朗日描述下的主守恒方程

质量、动量、角动量守恒

热力学第一/二定律

本构方程客观性和热力学兼容性

案例：刚性导热体本构方程构建

第二天

流体力学及其仿真Day 2-1

图片

本构方程客观性和热力学兼容性案例

-弹性流体，定常流，可压粘性流 

-不可压粘性流，不可压无粘流(理想流体)

上述流体中的涡量输运方程

Day 2-2

多物理场耦合模型：

-非等热可压粘性流本构

-单类稀物质输运本构

-多类稀物质输运本构

-相场法多相流本构和毛细作用

理论&实践：COMSOL用户文档对比分析

-相场法

-热流耦合问题

-物质输运

-离子输运问题

-多孔材料的流固耦合

第三天

流体力学实操

Day 3-1,2

COMSOL Multiphysics, OpenFOAM, Ansys Fluent流体力学实操

流体力学计算方法

-时间差分算法

-有限元法

-对流问题中的稳定性方法举例

案例分析

-绕圆柱单向流

-自然热对流，非等热流以及共轭传热

-流体中的稀物质输运，离子输运问题

-基于相场法的二相流，三相流

-基于相场法的多孔材料的毛细作用

-流固耦合-动网格法

-微流体/微流控以及器官芯片中的流场仿真

量纲分析简介

图片

图片

图片

图片

第四天

神经网络基础回顾：感知机、多层感知机

神经网络基本结构：激活函数、损失函数、优化算法

神经网络训练技巧：mini-batch，正则化，dropout

结构化神经网络

-卷积神经网络

-循环神经网络

-物理信息神经网络

-算子神经网络

实操：

-神经网络的代码实现 (Matlab, Python)

-训练技巧演示 (Matlab)

-参数更新算法演示 (Matlab)

图片

图片

图片

第五天

流体力学&深度学习实战：

-CNN在流场预测中的应用 (Python实操)

-CNN提取流场出流速、压力、涡旋等特征 (Python实操)

-LSTM 模型在流场时间序列预测中的应用 (Python实操)

-U-Net结构应用于流场预测、重构、优化 (Python实操)

图片

图片

图片

-PINN与DeepXDE实操 (Python)：

-PINN预测常微分方程的响应

-2D热传导

-Burger方程

-圆柱绕流问题

-使用PINN模型求解稳态和非稳态流动问题

-iPINN与DeepXDE实操案例：

-数据驱动的iPINN常微分方程逆问题求解

-数据驱动的iPINN偏微分方程逆向问题求解

-论文导读

-Lino M, Fotiadis S, Bharath A A, et al. Current and emerging deep-learning methods for the simulation of fluid dynamics[J]. Proceedings of the Royal Society A, 2023, 479(2275): 20230058.

-Peng W, Qin S, Yang S, et al. Fourier neural operator for real-time simulation of 3D dynamic urban microclimate[J]. Building and Environment, 2024, 248: 111063.

时间：

2025.4.12-----2025.4.13全天（上午9:00-11:30下午13:30-17:00）

2025.4.16-----2025.4.17晚上（晚上19:00-22:00）

2025.4.19-----2025.4.20全天（上午9:00-11:30下午13:30-17:00）

腾讯会议 线上（共五天时间 提供全程回放视频）

详情：深度学习流体力学与固体力学/岩土工程/AI助力力学SCI论文写作助力您发顶刊！

有限体积法matlab_笔记|有限体积法（三）习题2/3及代码|CFD Ferziger
weixin_32210881的博客
01-29 1982
做了剩下有限体积法（Ferziger, Ch.4[1]）另外两个Example（测试数值扩散的那一算例，书里似乎并没有给出CDS矩阵奇异下的求解方法，我直接按MATLAB里AB求解，结果并不完全一致）：Scalar Transport in a Known Velocity FieldTesting the Numerical Diffusion果然FVM比FDM麻烦不少，一开始还是按面向过程写，...
深度学习流体力学【干货】
2401_83941020的博客
08-12 1462
相信随着技术的不断进步和研究的深入，深度学习在流体科学中的应用前景将更加广阔。则深入探讨了AI模型在流体力学领域的前沿应用、科研论文和源代码剖析，包括流场识别、预测、重构与优化，基于U-Net架构的非均匀稳定层流近似方法，扩散模型驱动的流体力学方法，图神经网络在CFD模型预测中的应用等。学员们学习了OpenFOAM的编译、安装与运行，掌握了如何使用OpenFOAM进行流体仿真操作与数据采集，并通过深度学习模型进行流体仿真数据的预测和训练，包括使用LSTM和深度强化学习（DQN）模型进行流体模拟。
《机器学习与计算力学的结合及应用初探 》论文学习
weixin_44933854的博客
04-27 4094
《机器学习与计算力学的结合及应用初探 》论文学习 本文是对《机器学习与计算力学的结合及应用初探 》论文的一个知识点的整理。 摘要： 1. 介绍了机器学习、数据科学与计算力学相结合的3种形式: 第一种是与有限元方程求解方面的结合, 直接应用卷积 神经网络算法求解线性有限元方程; 第二种方式结合有限元计算和机器学习预测复杂材料结构与力学性能的关 系. 本文作者应用该方法基于细观页岩扫描照片和...
【进阶篇】C-API 使用流程
PaddlePaddle
02-09 990
导语本周起将推送【使用指南—进阶篇】推文。在进阶篇，我们将向您介绍PaddlePaddle的使用说明、开发标准、模型配置等内容。在使用进阶篇推文之前，请参考安装与编译部分...
金耀初教授：进化计算在人工智能领域的发展
巫_月的博客
07-10 2910
作为基于种群的全局优化算法，进化算法（Evolutionary Algorithm)不需要目标函数的可解释性，这些年在计算代价昂贵优化问题，多目标优化问题，鲁棒优化问题等领域获得了广泛的应用和发展。 金耀初教授 英国萨里大学“计算智能”首席教授，是进化算法研究领域的国际领军人物，在进化算法方面发表论文200余篇，Google Scholar引用8800余次。【运筹OR帷幄】的小编王源博士，很荣幸在金教授访问东北大学流程工业综合自动化国家重点实验室时与金教授进行了面对面的深度学术交流，谈一谈“进化算法” .
利用数据驱动的离散化求解偏微分方程
gitblog_00034的博客
06-09 504
利用数据驱动的离散化求解偏微分方程 data-driven-discretization-1dCode for "Learning data-driven discretizations for partial differential equations"项目地址:https://gitcode.com/gh_mirrors/da/data-driven-discretization-1d 该...
计算流体力学 有限体积法
weixin_42584586的博客
02-13 408
有限体积法是计算流体力学中的一种数值模拟方法，它通过对流体的体积进行有限的划分，在每一个体素中分别求解流体的物理量，并通过体素间的相互作用得到整个流体的特性。有限体积法能够模拟复杂的流动状态，并且可以考虑到流体中的多种物理现象，如热传导、边界层等。 ...
计算流体力学中顶盖驱动流传热的格子玻尔兹曼方法(MATLAB实现)
04-18
使用场景及目标：适用于研究顶盖驱动流及其传热特性，帮助理解和掌握LBM的基本原理和实现方法，为后续更复杂的流体力学问题的研究打下基础。 其他说明：文中提供的代码为简化版本，实际应用中可以根据具体需求进行...
流体力学三大方程推导.pdf
11-18
流体力学是研究流体（气体和液体）的力学行为的科学，涉及流体静力学和流体动力学。本文档主要涉及流体力学三大方程的推导，即质量守恒方程、能量守恒方程和纳维-斯托克斯方程（N-S方程）。 首先，质量守恒方程也...
流体力学实验报告数据.doc
12-14
“流体力学实验报告数据.doc” 流体力学实验报告数据是流体力学实验的重要组成部分，旨在验证流体恒定总流的能量方程，掌握流速、流量、压强等动水力学要素的实验量测技能。本实验报告探讨了不可压缩流体恒定流能量...
数据驱动建模及科学计算―复杂系统和大数据处理方法_Kutz_扫描版带书签.pdf
11-20
由于数据在各个科学领域的增值，新兴的数据分析技术正在以难以置信的速度发展。大数据集目前通常在科学上用于激励发展数学技术和计算方法，用来帮助分析、解释和释疑数据在科学应用环境中的意义。本书的特定目的是集成标准的科学计算方法和数据分析技术。通过这种方式，本书还引入了统计学、时频分析和降维处理等方面的重要思想。全书共分四部分（26章），前三部分详细讲解各类数学运算与分析方法，第四部分重点讲解如何应用数学方法进行动态复杂系统分析与大数据处理。其中，第一部分讨论数学、矩阵分析和概率论的主要数据计算方法及结果可视化；第二部分讨论微分方程计算与建模；第三部分讨论各种数值分析与计算方法并进行比较，引入动态复杂系统概念；第四部分讲解复杂系统与大数据分析方法和处理模型的建立。
EMD经验模态分解在流体力学流场数据处理中的MATLAB实践与教程
05-12
内容概要：本文详细介绍了EMD经验模态分解在流体力学流场数据处理中的应用，涵盖理论介绍、MATLAB程序实践、视频教程和实例数据。首先解释了EMD的基本概念及其在流场数据处理中的优势，接着通过具体步骤展示了如何用...
机器学习中的两种主要思路：数据驱动与模型驱动
weixin_42010722的博客
11-07 7094
在机器学习的研究和应用中，如何从数据中提取有价值的信息并做出准确预测，是推动该领域发展的核心问题之一。在这个过程中，机器学习方法主要依赖于两种主要的思路：数据驱动与模型驱动。这两种思路在不同的应用场景中发挥着至关重要的作用，它们的核心差异在于如何利用数据和模型的关系来进行预测和决策。本文将深入探讨这两种思路的内涵和区别，并阐述它们在机器学习各个阶段中的应用。机器学习通常包括数据预处理、特征工程、模型选择、训练与评估等多个阶段。
OpenFOAM中矩阵系数的管理
yuzhouhonghuabg的博客
11-13 1231
使用有限体积法离散后的方程形式Aϕ=bA\phi = bAϕ=bA是系数矩阵；ϕ\phiϕ待求解变量；b是离散后的源项；A是一个N×NN\times NN×N方阵，N表示离散后网格单元的个数；OpenFOAM使用一种特殊的方法来求解线性代数方程组，主要使用的类为lduAddressing (是一个索引类)；fvMatrix (这个更牛逼，我还没看)
关于举办“基于OpenFOAM和深度学习驱动的流体力学计算与应用”培训会议的通知
m0_72574949的博客
05-30 890
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。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。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。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。
光滑粒子流体动力学_基于分子模拟的数据驱动发现流体力学宏观方程
weixin_39901358的博客
11-17 370
海归学者发起的公益学术平台分享信息，整合资源交流学术，偶尔风月近日，北京航空航天大学航空学院的张俊教授和马文军硕士生在流体领域顶级期刊《Journal of Fluid Mechanics》发表了题为“Data-driven discovery of governing equations for fluid dynamics based on molecular simulation”...
21年最新-数据科学与工程驱动力-机器学习,动态系统与控制
lqfarmer的博客
03-06 763
本书介绍 数据驱动算法正在彻底改变复杂系统的建模，预测和控制。这本教科书将机器学习，工程数学和数学物理学结合在一起，将动力学系统的建模和控制与数据科学中的现代方法集成在一起。它重点介绍了科学计算领域的最新进展，这些进展使数据驱动的方法可以应用于各种复杂系统，例如湍流，大脑，气候，流行病学，金融，机器人技术和自治。针对工程和物理科学领域的高级本科生和研究生，本文介绍了从入门到最先进的一系列主题和方法。 2020年更新最新版，huoqu：https://mp.weixin.qq....
OpenFoam--有限体积-计算流体力学-开源
黄梅时节家家雨，青草池塘处处蛙
02-10 4486
这里写链接内容OpenFOAM User Guide [Table of Contents][Introduction →].The OpenFOAM User Guide provides an introduction to OpenFOAM, through some basic tutorials, and some details about the general operation
基于LSTM-GARCH混合模型的黄金价格波动率预测：信用降级事件冲击评估
最新发布
05-19 1300
本文基于多模态数据融合与因果推理框架，本文构建黄金价格驱动因子图谱，揭示主权信用评级调整、地缘风险与货币政策预期的交互作用机制。5月19日亚市收盘，现货黄金突破3245美元/盎司关键阻力位，日内波幅达1.4%，技术面呈现典型的动量突破形态，但需警惕3250美元区域的多空博弈风险。
编写使用pinn模型进行三维旋转流场重构的程序代码
12-09
编写使用物理信息神经网络（Physics-Informed Neural Network, PINN）模型进行三维旋转流场重构的程序代码是一个复杂的过程。以下是一个简要的示例代码，展示如何使用PINN模型进行三维旋转流场重构。这个示例代码使用了TensorFlow和Keras库。 ```python import tensorflow as tf import numpy as np from tensorflow.keras import layers from tensorflow.keras.models import Model # 定义物理信息神经网络模型 def pinn_model(input_shape): inputs = layers.Input(shape=input_shape) x = layers.Dense(64, activation='tanh')(inputs) x = layers.Dense(64, activation='tanh')(x) x = layers.Dense(64, activation='tanh')(x) outputs = layers.Dense(1)(x) model = Model(inputs=inputs, outputs=outputs) return model # 定义损失函数 def custom_loss(y_true, y_pred): # 计算物理方程的残差 # 假设我们有一个简单的物理方程，例如三维Navier-Stokes方程 # 这里只是示例，实际应用中需要根据具体问题定义物理方程 u, v, w, p = tf.split(y_pred, 4, axis=-1) u_true, v_true, w_true, p_true = tf.split(y_true, 4, axis=-1) # 计算残差 residual = tf.gradients(u, x)[0] + tf.gradients(v, y)[0] + tf.gradients(w, z)[0] # 计算损失 mse = tf.reduce_mean(tf.square(y_true - y_pred)) return mse + residual # 生成训练数据 x_train = np.random.rand(1000, 3) u_train = np.sin(x_train[:, 0]) * np.cos(x_train[:, 1]) * np.exp(-x_train[:, 2]) v_train = -np.cos(x_train[:, 0]) * np.sin(x_train[:, 1]) * np.exp(-x_train[:, 2]) w_train = np.zeros_like(x_train[:, 0]) p_train = np.zeros_like(x_train[:, 0]) y_train = np.stack([u_train, v_train, w_train, p_train], axis=-1) # 创建模型 model = pinn_model(input_shape=(3,)) # 编译模型 model.compile(optimizer='adam', loss=custom_loss) # 训练模型 model.fit(x_train, y_train, epochs=1000, batch_size=32) # 测试数据 x_test = np.random.rand(100, 3) # 预测结果 y_pred = model.predict(x_test) ``` 这个示例代码展示了如何使用PINN模型进行三维旋转流场重构。实际应用中，需要根据具体问题定义物理方程和损失函数，并进行相应的调整。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值