源代码杀手的博客

是一个由 Nicholas Zabaras 团队开发的开源项目，托管于 GitHub，旨在将 Transformer 模型（最初在自然语言处理领域大获成功）应用于物理系统的建模与预测。该项目基于论文 ​*“Transformers for Modeling Physical Systems”*​（Neural Networks, 2022），探索了深度学习中的 Transformer 架构如何通过自注意力机制和 Koopman 嵌入来模拟动态物理系统。

计算流体力学（CFD）作为现代工程与科学研究的核心工具，正以前所未有的速度迈向智能化与多物理场耦合的新时代。本文全面梳理了在线学习CFD的顶级资源，涵盖了从传统数值模拟到深度学习驱动的物理信息模型的广泛领域，旨在为研究者、工程师和学生提供一站式参考指南。内容分为七大核心类别，囊括了数百个高质量资源链接，涉及代码、论文、教程和工具。首先，在领域，介绍了前沿项目如Gym-preCICE（），展示了深度强化学习如何与OpenFOAM结合；）提供了构建Physics-ML模型的开源框架；

SPHinXsys（读作“s’fink-sis”）是“工业复杂系统的平滑粒子流体动力学”。该项目由 Xiangyu Hu 领导，隶属于 xAI 公司，是一个基于 C++ 的开源多物理场、多分辨率仿真库，旨在为工程仿真和优化提供强大工具。其核心目标是解决由流体、结构、多体动力学等驱动的复杂系统问题，适用于工业和科学应用。SPHinXsys 采用平滑粒子流体动力学（SPH）作为基础数值方法，这是一种无网格方法，通过粒子离散化模拟连续介质的物理行为。

项目参考：https://github.com/jerabaul29/Cylinder2DFlowControlDRL25个网页将对 GitHub 项目Jean Rabault（jerabaul29）等人开发的一个开源项目，旨在使用深度强化学习（Deep Reinforcement Learning, DRL）对二维卡门涡街（Kármán Vortex Street）进行主动流控制（Active Flow Control）。

下面的实验结果参考结构为：引用自Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators。

是基于 OpenFOAM 的一个强大开源库，专注于气体动力学、准气体动力学（QGD）及两相流模拟，依托 Kurganov-Tadmor 中心逆风方案和 LTS 支持，提供从单相到多组分的全面求解能力。该库自 2018 年起支持 OpenFOAM+ 版本，包含如（单相可压缩流）、（两相流，0-4 马赫数）和（燃烧与化学反应）等求解器，广泛应用于航空航天（如火箭羽流、超音速喷流噪声）、能源（如氢气爆轰）和工业过程优化。

这篇论文提出了一个新的方法，利用物理信息神经网络（PINN）来模拟辐射传输。辐射传输在许多领域中都有广泛应用，例如天文学、气候模型、辐射热传输等，但传统的数值方法（如有限差分、有限元法等）通常需要大量的计算资源，并且对于复杂的几何和物理条件的处理不够灵活。为了克服这些挑战，作者提出了基于PINN的算法。

DeepXDE 是一个用于科学机器学习和物理信息学习（Physics-Informed Learning）的库，主要用于解决各种偏微分方程（PDEs）、常微分方程（ODEs）、积分微分方程（IDEs）等数学问题。该库支持多种前沿的物理信息神经网络（PINNs）方法，并且能够有效地处理不同类型的物理建模任务。DeepXDE 的核心目标是将深度学习方法与物理领域的传统数值计算方法结合，促进科学计算和工程建模的高效求解。

通过安装缺少的包、检查命令路径、使用XeLaTeX或LuaLaTeX以及确保代码正确，可以有效解决 LaTeX 编译中的问题。

【使用 AutoGen + GPT-4o + Chainlit UI 进行工程仿真的对话式多智能体 AI 聊天机器人】本项目构建了一个由多个AI代理组成的系统，这些代理通过使用Microsoft AutoGen进行对话交互，能够自主地创建和仿真固体力学（FEA）和流体动力学（CFD）问题。每个AI代理都擅长规划、问题设定、代码编写、调试、结果分析等任务，能够使用开源Python库进行数值仿真并生成结果。该框架使用OpenAI的GPT-4作为核心驱动力，结合FEniCS、gmsh等工具，极大减少人工干预。

MFEM（）是一个灵活的、可扩展的、开源的有限元库，主要用于求解偏微分方程（PDE）问题。MFEM的目标是通过模块化设计和强大的抽象能力，简化有限元方法的使用，并支持高效的并行计算，尤其是在复杂的几何形状和自适应网格细化的情况下。

智能流体力学及其仿真技术应用实战。

在流体力学和数值模拟中，（Steady State）意味着流体的物理量（如速度、压力、温度等）不随时间变化。换句话说，在稳态模拟中，系统已经达到了平衡，任何位置上的流场特性都不再随时间发生变化。

关键技术 :Neural-PDE-Solver 是一个基于神经算子（Neural Operators）框架的偏微分方程（PDE）求解器。该项目使用深度学习技术来近似解决 PDE，特别适用于高维和复杂几何形状下的方程求解。与传统方法相比，Neural-PDE-Solver 能够以更少的计算资源和时间成本提供高精度的结果。用户可以通过以下几个步骤来运行 Neural-PDE-Solver：PDE: Partial Differentiable EquationNeural Operators: Learning

这篇综述探讨了通过机器学习 （ML） 增强计算流体动力学 （CFD） 的最新进展。文献系统地分为三个主要类别：数据驱动的代理、物理知情的代理和 ML 辅助数值解。随后，我们重点介绍了 ML for CFD 在关键科学和工程学科中的应用，包括空气动力学、大气科学和生物流体动力学等。论文地址：https://arxiv.org/pdf/2408.12171。

Gmsh 是一个功能强大、灵活且广泛应用于多个领域的网格生成工具，特别适合 CFD 和 FEA 模型的生成与仿真。通过其直观的界面和强大的脚本功能，用户可以在几何建模、网格生成、后处理和自动化方面实现高效的工作流程。

生成来源.scdoc文件来自前处理工具生成的模型数据，或在 FLUENT 中创建和保存的模型。生成方式: 通过前处理工具导出网格数据，或在 FLUENT 中设置并保存模型。作用: 用于储存模型的结构信息和设置，确保在 FLUENT 中的正确导入和使用。.x_t文件是 Parasolid 文件格式的扩展名，用于存储三维模型数据。在 ANSYS Fluent 中，这种格式通常用于在前处理工具之间交换几何数据。要创建.x_t。

这些文件类型帮助用户有效地管理ANSYS Fluent仿真项目，确保数据的完整性和可重复性。

对于初学者，建议在FLUENT中使用默认求解设置作为起点，这样可以简化设置过程并获得稳定的仿真结果。随着对仿真技术的深入了解，逐渐学习和掌握更高级的求解设置，并通过实践和验证不断提升求解能力。

在ANSYS Fluent中，合理选择和设置外部边界条件对仿真结果的准确性至关重要。通过定义不同类型的边界条件（如压力入口、速度入口、风扇、壁面等），可以模拟各种流体行为和固体交互作用。对于不同的流动问题，选择合适的边界条件不仅可以提高仿真的效率，还能确保结果的真实性。

在ANSYS Fluent中，物理模型的选择决定了仿真中求解的方程和结果变量。常见的物理模型包括湍流模型、能量模型、化学反应模型和多相流模型等。正确配置和使用这些模型可以有效地模拟流体中的各种物理现象，并提供准确的仿真结果。在设置物理模型时，需要考虑实际的工程问题和计算资源，以便选择最合适的模型和方法。

当你从其他软件或CAD系统导入网格文件到ANSYS Fluent时，可能会遇到不同的单位系统问题。此时，必须确保网格的单位和FLUENT的单位系统相匹配，以保证仿真结果的准确性。在使用ANSYS Fluent进行仿真分析时，正确设置网格和单位非常重要。在ANSYS Fluent中，所有的计算默认使用国际单位系统（SI），即长度单位为米（m），质量单位为千克（kg），时间单位为秒（s），温度单位为开尔文（K）等。在进行单位设置和网格缩放时，需要确保所有模型和边界条件的一致性。

允许用户自定义监控报告，用于在求解过程中跟踪特定物理量的变化，如速度、压力、温度等。

在ANSYS Fluent中导入几何模型并进行网格划分的步骤包括：导入模型文件：将几何模型文件放置在指定路径，打开ANSYS Fluent并设置工作目录，选择Meshing模块进行操作。导入几何模型：通过Meshing模块导入几何模型，加载后显示在工作区中，便于查看和操作。模型切割与尺寸修改：对模型进行必要的切割和尺寸调整，生成初步网格，以便检查模型的计算性和网格质量。封闭流体区域：定义并封闭流体区域，确保所有流体区域完整无缺，避免计算时出现误差。

网格类型及其选择指南（减少计算，提供效率）在计算流体动力学（CFD）中，选择合适的网格类型对于确保仿真精度和效率至关重要。不同的网格类型在复杂性、生成方式和适用场景上各有优劣。以下是主要网格类型的详细介绍及其选择指南。

CFD 前处理包括明确仿真目标、定义计算区域、创建几何模型、划分网格、设置求解器、求解、检查结果和模型修正等步骤。不同的网格生成工具（如 Workbench Meshing、ICEM CFD 和 Fluent Meshing）各有特点和局限性，选择合适的工具和方法可以有效提高仿真精度和效率。二次开发技术（如脚本、自定义插件和自动化工作流）能够进一步扩展和优化 CFD 软件的功能，但需要考虑工具的限制和复杂性。

计算流体动力学（CFD）是研究流体流动、传质、传热、化学反应及相关现象的一门科学。它通过对质量守恒、动量守恒和能量守恒等基本方程的计算，来预测和分析这些现象。CFD能够为工程师和科学家提供流体流动行为的详细信息，从而帮助在设计和优化过程中做出更科学的决策。CFD的基本原理质量守恒（Continuity Equation）确保在控制体积内的质量保持不变。质量守恒方程描述了流体在流动过程中质量的传递和保留情况。动量守恒（Momentum Equation）计算流体中每个点的力和运动。

ANSYS Fluent 是一款广泛使用的计算流体力学（CFD）软件，适用于模拟流体流动、传热、化学反应等复杂物理现象。Fluent 提供了多种物理模型，用于模拟不同类型的流动情况。

是Fluent中的一个功能模块，用于可视化和分析流体中各种组分的浓度。这个模型特别适合用于化学反应工程、环境工程以及涉及多组分流体的模拟。

在实际应用中，你可以用真实的碰撞数据训练更复杂的模型，比如卷积神经网络（CNN）处理图像数据，或者使用序列模型（如LSTM）处理时间序列数据。为了展示如何使用机器学习在车辆碰撞分析中的应用，下面是一个基于Python的简单示例代码，利用神经网络来预测车辆碰撞中的受损程度。例如，某些项目中，研究人员使用深度学习模型来分析碰撞数据，从而改进车身结构的设计以提高安全性。综上所述，机器学习在非线性动力学领域，尤其是车辆碰撞分析方面具有很大的潜力，可以用来提升建模精度、提高预测能力、优化设计以及加速仿真计算。

在Physics-Informed Neural Networks (PINNs)用于流体力学问题的应用中，模型的输入和输出通过求解与物理问题相关的方程来进行过渡。

在数值模拟中，如使用OpenFOAM等CFD软件，基于Navier-Stokes方程组和适当的湍流模型，可以模拟出湍流的速度场、压力分布、湍流能量等物理量的时空演变。相比传统的基于物理模型的湍流预测方法，深度学习在某些情况下可能具有更高的灵活性和适应性，特别是在处理复杂湍流结构或数据不完整的情况下。例如，湍流仿真可以提供高精度的湍流结构和详细的流场信息，作为深度学习模型的训练数据。通过修改这些文件，用户可以定制化地运行OpenFOAM中的湍流模拟，从而研究和分析不同流动情况下的湍流行为和效应。

pisoFoam是基于有限体积法的求解器，专门用于求解压力隐式分裂算法（Pressure Implicit with Splitting of Operators, PISO）格式的可压缩流体动力学问题。它广泛应用于工业和学术界，适用于各种流动情况，包括湍流流动和非湍流流动。可压缩流体和不可压缩流体是流体力学中两种基本的流体模型，它们在描述流体运动时有着重要的区别和应用。

在训练过程中，使用经验回放技术存储过去的经验（状态、动作、奖励、下一状态、是否终止），并从中随机采样小批量数据进行训练。通过Matplotlib库绘制训练过程中的奖励和损失曲线，提供了直观的反馈，帮助识别潜在的问题或调整超参数。通过这些步骤，实现了使用DQN技术对流体力学问题的训练和预测，展示了强化学习在处理复杂物理系统中的潜力。其他链接：https://blog.csdn.net/weixin_41194129/article/details/139825217。方法重置模拟到初始状态，而。

数据处理与预处理该代码首先导入必要的库，包括用于读取和处理VTK文件的pyvista，用于数值计算的numpy，用于路径操作的os，用于数据集划分的sklearn，用于构建和训练神经网络的tensorflow，以及用于可视化的matplotlib。然后，定义数据目录并生成要读取的VTK文件路径列表。通过read_vtk函数读取VTK文件并提取速度场数据，并将所有数据存储在一个numpy数组中。

采集OpenFOAM仿真数据作为AI模型训练数据集与卷积神经网络搭建到预测(一站式完整代码实现)

通过细化网格、增加初始速度、设置合理的边界条件和时间步长，可以在OpenFOAM中更清晰地模拟和观察水流的行为。这些设置可以帮助你在cavity案例中更明显地看到水流特征。

下面这些目录结构和其中的求解器和工具展示了OpenFOAM作为一个功能强大且广泛应用的开源CFD软件框架的多样性和灵活性。每个求解器都专门用于解决不同类型的流体动力学问题，从基础的流动模拟到复杂的多相流动和燃烧模拟等各种应用场景。

OpenFOAM 译完成 Bin 目录下包含了多个关键命令和工具，用于管理、运行和优化仿真过程中的各个环节。这些命令涵盖了从创建新案例、运行仿真到分析结果的全过程，包括处理网格、设置物理条件、运行求解器和后处理数据等多个方面。每个命令和工具都有其特定的功能和操作方法，用户可以根据实际需求选择和使用，以支持多种流体动力学问题的建模和求解。下面给出一个案例介绍:buoyantPimpleFoam 求解器已被更通用的 buoyantFoam 求解器替代了。

ParaView 提供了强大的 Python 接口，允许用户通过 Python 脚本来控制和操作其可视化功能。在 ParaView 中，可以通过 View > Python Shell 菜单打开 Python Shell 窗口，用于执行 Python 代码。要确保正确配置 Python 环境，可以在 Python Shell 中使用 import sys;print(sys.executable) 查看当前 Python 解释器路径，并确保其与所需环境一致。