在深度学习与流体力学融合的背景下,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。目前在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、流体力学方程的求解:利用深度学习模型来求解流体力学的基本方程,如纳维-斯托克斯方程。
2、湍流模拟:应用深度学习技术来改进湍流模型,提高湍流模拟的准确性和效率。
3、流场重建与超分辨率:使用深度学习算法对流场数据进行超分辨率重建,提升现有数据的分辨率,以更精确地模拟和分析流体流动。
4、流动特征识别与分类:利用深度学习模型来识别和分类流体流动中的关键特征。
5、流动控制与优化:应用深度学习进行流动控制策略的优化,以提高流体机械的性能。
6、计算流体动力学(CFD)与机器学习的结合:将深度学习集成到传统的CFD软件中,以提高计算效率和精度。
7、物理约束神经网络:开发满足物理守恒定律的神经网络模型。
8、激波和边界层过渡:利用深度学习预测和分析流体中的激波以及边界层的过渡现象。
9、实验数据与模拟数据的融合:使用深度学习来提高流体力学模型的预测能力。
这些研究性成果不仅推动了流体力学领域的科学发展,也展示了深度学习技术在解决复杂流体动力学问题中的潜力。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万维智能科技有限公司,具体相关事宜通知如下:
专题一 (直播四天) | (详情内容点击上方名称查看) 2024年11月16日-11月17日 2024年11月23日-11月24日 |
专题二 (直播五天) | (详情内容点击上方名称查看) 2024年10月26日-10月27日 2024年11月01日-11月03日 |
专题三 (直播五天) | (详情内容点击上方名称查看) 2024年10月26日-10月27日 2024年11月01日-11月03日 |
适用人群
流体力学相关领域的科研人员,力学、航空航天科学与工程、工业通用技术及设备、动力工程、船舶工业、建筑科学与工程、石油天然气工业、机械工业、汽车工业、环境科学与资源利用等领域的工程师,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。
01
培训讲师
1
流场重建讲师
国外某高校博士研究生, 研究方向集中于深度学习在流体动力学中的应用, 涵盖流场重建, 流场预测及流动控制等领域。过去三年内, 以第一作者及主要作者身份在 Journal of Fluid Mechanics (JFM), Physics of Fluids (POF), Physical Review Fluids (PRF), 以及 Nature Scientific Reports 等 SCI 期刊发表论文十余篇, 谷歌学术引用次数超过 300 次。
2
OpenFOAM 讲师
来自全球顶尖大学,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),近年来发表论文多篇。
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,气动信息预测,基于深度强化学习的气动优化。
3
Fluent 讲师
来自国家“985工程”重点高校,主要从事物理和数据驱动的力学建模仿真研究,近年来发表SCI论文15篇,授权三项发明专利。
擅长领域:计算流体力学、流体力学中的机器学习方法、数据驱动的计算力学、有限元方法等。
02
培训大纲
基于机器学习深度学习驱动的流体力学流场重建技术与应用
目录 | 主要内容(*为重点内容) | |
流体数值模拟及 Python编程和数据处理入门 | 一、课程导论 1、智能流体力学介绍 2、机器学习驱动的流体力学流场重建技术介绍 二、流体力学基础 1、流体力学基础 2、流体力学数据获得方法介绍(实验方法, CFD方法) 3、*经典流场模型介绍(绕流,渠道流) 4、*流体力学数据分析方法介绍 三、OpenFOAM 数值模拟基础 1、流体力学求解模型认知(RNAS, LES, DNS) 2、OpenFOAM运行环境配制 3、*OpenFOAM进行流体计算模拟的基本操作 四、 Python 编程入门 1、Python编程快速入门 2、Python数据科学简介 3、*Python流场数据后处理方法(流场云图, 参数统计曲线,概率图,能量谱等) 课程实操:(所有示例流场数据和 Python 算法代码提供给学员) 1、直接数值模拟(DNS)二维(绕流), 三维流动(渠道流)案例教学 2、Python 对流场数据的读取与储存 3、Python 绘制流场云图 4、Python 计算与绘制常用流场统计结果图 | |
机器学习基础 | 一、深度学习基础 1、*深度学习用于计算机视觉: 卷积神经网络(CNN) 2、深度学习用于文本和序列: 长短记忆神经网络(LSTM) 3、生成式神经网络: 生成式对抗神经网络(GAN) 4、*常用的高级深度学习神经网络模型讲解 二、强化学习基础 1、强化学习快速入门 2、高级深度强化案例介绍 课程实操:(所有示例流场数据和 Python 算法代码提供给学员) 1、在个人电脑上搭建深度学习Python 环境(Tensorflow在CPU以及GPU安装方法) 2、使用 CNN 开发第一个深度学习算法(解决分类问题) 3、基于深度学习算法开发第一个流场预测算法(数据驱动的方柱绕流流场预测生成) | |
超分辨率问题和二维流场的三维重建问题 | 一、超分辨率问题: 1、*研究数据生成方法 2、*超分辨率问题的常用的深度学习模型介绍 3、*数据后处理方法 二、二维流场的三维重建: 1、*研究数据生成方法(三维流场) 2、*二维流场的三维重建的常用的深度学习模型介绍 3、*三维数据后处理方法 课程实操:(所有示例流场数据和 Python 算法代码提供给学员) 1、完成简单的超分辨率重构问题 2、完成简单的三维重构问题 3、三维流场数据后处理(结合 Python 代码和 Paraview) | |
流场去噪问题和流场参数重建问题 | 一、流场去噪问题 1、*研究数据生成方法 2、*去噪常用的深度学习模型介绍(基于物理约束的强化学习方法以及自监督方法) 二、流场参数重建问题 1、*流场参数重建问题的常用的深度学习模型介绍 2、*PIV 实验数据后处理方法 课程实操:(所有示例流场数据和 Python 算法代码提供给学员) 1、完成流场去噪问题 2、完成流场参数重建问题 | |
基于深度学习的高维插值方法 前沿论文分享及SCI论文写作指导 | 目标:以结构-声耦合模型 (Structure-Acoustic Coupling Models)中的传递函数预测为例讲解基于深度学习的高维插值方法 一、 高维插值方法 1、结构-声耦合模型问题介绍 2、*研究数据生成方法(基于Comsol) 3、*基于深度学习的高维插值方法 二、论文分享以及 SCI 写作指导 课程实操:(基于深度学习的高维插值方法应用) | |
答疑与互动 | 课程期间帮助学员解决理论疑点、技术难点,并可一定程度地给予学员相关研究方向的科研以及论文写作指导 |
基于OpenFOAM和深度学习驱动的流体力学计算与应用
目录 | 主要内容 | |
经典流体力学与OPENFOAM入门 | 一、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: 1、OpenFOAM学习: 2、掌握OpenFOAM后处理操作 3、通过OpenFOAM获取流动信息 4、OpenFOAM多种功能使用教程:网络生成,模拟设置 5、基于OpenFOAM的矩形柱体LES模拟案例(数据与代码提供给学员) 6、OpenFOAM模拟信息的后处理获取流场与压力信息(数据与代码提供给学员) | |
计算流体动力学与人工智能 | 二、机器学习基础与应用 核心要点: 1、了解Python语言的特征,熟悉常见的机器学习算法 2、掌握使用python语言用于数据后处理 3、了解计算流体动力学与AI的结合 实操环节: 1、基于Python语言的CFD数据后处理(数据与代码提供给学员) 2、计算流体动力学与AI的结合案例讲解 三、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) | |
实验流体力学与人工智能 | 四、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、展示机器学习在实验流体力学领域的应用案例。 2、运用Python语言处理实验数据(数据与代码提供给学员) 五、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DNN、CNN等常见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) 六、人工智能与实验流体力学(压力部分) 1、了解人工智能技术在压力预测预报的使用 2、理解融合物理知识的神经网络在误差控制项的使用 3、了解融合物理知识的神经网络(PINN)在流体力学的使用 实操环节: 1、基于人工智能技术的压力预测 2、融合物理限制(Physical constrain) 神经网络(PCNN)的时序压力预测(数据与代码提供给学员) | |
空气动力学与人工智能技术 | 七、空气动力学与人工智能技术 核心知识点: 1、了解爬虫技术在网页数据获取的方法,掌握从开源网站获取信息的技术 2、熟悉民航机翼空气动力学性能 3、掌握基于MLP的气动性能预测方法 实操环节: 4、基于爬虫技术的网页数据获取 5、基于深度学习的机翼气动性能预测 实践案例: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) | |
深度强化学习学习在流体力学中的应用 | 八、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主要框架 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。 4、理解代理模型(surrogate model)的概念与意义 实操环节: 5、构建融合物理限制(Physical constrain)的深度强化学习的环境空间(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: 6、掌握定义离散动作空间/连续动作空间的方法,提升算法设计能力 7、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: 8、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: 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 | 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。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。 |
部分案例展示:
基于Fluent和深度学习算法驱动的流体力学计算与应用
目录 | 主要内容 | |
机器学习与流体力学入门 | 一、流体力学基础理论与编程实战 1、流体力学的发展概述 2、不可压缩流体力学的基本方程 3、偏微分方程数值求解介绍 4、傅里叶变换和流体的尺度分析 5、伪谱法求解不可压缩流体力学方程 案例实践: 1、Matlab编程实现有限差分(案例数据与代码提供给学员) 2、Python编程伪谱法求解NS方程(案例数据与代码提供给学员) 二、Fluent简介与案例实战 1、Fluent软件概述:软件功能和特点、Fluent在流体力学中的应用 2、网格划分与计算流程:网格划分技术、Fluent计算流程和步骤 3、基于Fluent软件的稳态与非稳态流体计算 4、基于Fluent软件动网格技术的两相流求解 5、Fluent仿真后处理 案例实践:圆柱绕流、小球入水的Fluent求解流程(案例文件提供给学员) | |
人工智能深度学习模型与流场超分辨技术 | 三、人工智能基础理论与优化方法 1、人工智能的基本概念 2、最优化理论算法: a) 最优问题的定义 b) 优化算法介绍 3、机器学习算法简介:支持向量机等机器学习算法 4、深度学习的基本概念及实战 案例实践:Python实现基础网络架构 1、梯度下降算法的Python实现(案例数据代码提供给学员) 2、二阶函数极值问题的求解(案例数据代码提供给学员) 四、深度学习模型在流场超分辨中的应用 1、超分辨的基本概念和应用场景 2、经典超分辨算法 a) 基于局部自适应对偶性先验的最优化方法 b) 超分辨算法的性能评估 3、分别基于卷积神经网络(CNN)和生成对抗网络(GAN)的流场超分辨案例与实战 案例实践:Python编程实现流场超分辨,不同模型超分辨的优势和劣势分析 1、经典模型实现流体超分辨(案例数据代码提供给学员) 2、深度学习模型实现流体的超分辨(案例数据代码提供给学员) 五、深度学习模型的力学新范式及ODE求解实战 1、深度学习模型的动力学解释 2、残差神经网络(ResNet)与神经常微分方程(NeuralODE) 3、Neural ODE与与流体力学方程求解 4、循环神经网络(RNN)与流体动力学时序预测 a) RNN的基本概念 b) RNN与隐式算法的对应关系 c) 时间序列预测在流体动力学中的应用 5、卷积神经网络(CNN)与流场特征提取 a) CNN的基本原理 b) 卷积与微分算子的对应关系 c) CNN如何用于流场图像分析,如涡识别 案例实践:利用Neural ODE求解特定流体(案例数据代码提供给学员) | |
深度学习模型在流体力学中的应用 | 六、神经网络在湍流模拟中的应用 1、物理信息神经网络(PINN) 2、流动的拉格朗日结构提取与相互作用 a) 基于图片的涡旋特征提取 b) 基于图神经网络(GNN)的神经网络算法 3、嵌入物理信息的神经网络 a) 基于几何对称性改造神经网络 b) 基于拉格朗日结构和几何对称性的神经网络 案例实践:Python编程湍流的拉格朗日方法 1、流体力学的拉格朗日算法(案例数据代码提供给学员) 2、流体力学的拉格朗日神经网络(案例数据代码提供给学员) 七、神经网络在空气动力学中的应用 1、可压缩流体力学求解的数值方法和机器学习方法 a) 可压缩流体力学的数值方法 b) 神经网络在激波求解中的应用 2、高精度格式在神经网络中的实现 a) 高精度格式的主要思想和局限性 b) 基于高精度格式的机器学习算法 3、深度强化学习(Deep Reinforcement Learning)的理论与算法 4、可压缩激波求解案例与编程实战 案例实践:Python编程求解可压缩流体力学方程 1、高精度格式求解可压缩流体力学方程(案例数据代码提供给学员) 2、深度学习模型求解可压缩流体力学方程(案例数据代码提供给学员) | |
流动可视化与新兴技术 | 八、流动生成与后处理 1、Tecplot可视化展示标量场、向量场等 2、Houdini展示渲染高保真流场 3、基于扩散模型(Diffusion Model)的流动生成 4、动模态分解及流场预测 案例实践:Matlab编程实现DMD(案例数据代码提供给学员) |
部分案例展示:
03
培训特色
1
流畅重建专题
1、前沿技术深度聚焦理论与实践结合:结合大量实战案例与项目演练,课程内容涵盖深度学习在流体力学中的最新应用,包括流场重建、超分辨率、三维重建、高维插值方法等。
2、全方位技能提升:涵盖专业软件操作(OpenFOAM的流体数值模拟)、编程与数据处理(Python编程和数据处理)、深度学习(神经网络、CNN、LSTM和GAN等)、强化学习、流场数据分析(流场云图绘制、统计结果图计算等)、前沿技术应用、科研论文指导等,全方位提升您的流体力学计算与应用能力。
3、个性化科研指导:根据学员的研究方向,提供一定程度的科研指导和论文写作建议。
2
OpenFOAM 专题
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。
3
Fluent 专题
1.全方位技能提升:涵盖先进的计算方法(如伪谱法、CNN、GAN、Neural ODE、PINN等)、软件工具应用(Fluent软件、Python编程)、深度学习流场超分辨率、神经网络在湍流模拟中的应用(物理信息神经网络(PINN)和基于图神经网络(GNN))、神经网络在空气动力学中的应用、流动生成与可视化技术,全方位提升您的流体力学计算与应用能力。
2.专业优质资源:提供了多个经典案例实践机会,提供Python编程实现和案例数据代码的资源,确保学习效果与实践体验。
3.新兴技术探讨:课程还包括了流体力学与深度学习融合的新兴技术,如基于扩散模型的流动生成、动模态分解及流场预测等核心知识的探讨,为学员提供了前沿技术的视野。