DeepSeek给CAEer的超高效仿真黄金法则
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、物理模型与深度学习的融合：研究如何将传统的物理模型与深度学习算法相结合，以提高流体力学问题的预测准确性和计算效率。
2、复杂流动模拟：利用深度学习技术对复杂流动现象进行模拟和分析，包括湍流、多相流、非牛顿流体等，以揭示流动的内在规律。
3、数据驱动的流体力学研究：通过收集和分析大量的流体力学实验和计算数据，使用深度学习模型来识别流动特征和预测流动行为。
4、流场智能分析：开发智能算法对流场数据进行分析，以识别流动结构、预测流动分离和过渡等现象，提高流动控制和优化的能力。
5、流体力学中的不确定性量化：应用深度学习技术对流体力学中的不确定性进行量化和分析，以提高预测的可靠性。
6、流体力学中的优化问题：利用深度学习进行流体力学中的优化问题研究，包括形状优化、流场控制优化等，以实现更优的流体动力学性能。
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 (直播五天) | （详情内容点击上方名称查看） 2025年03月14日-03月16日 2025年03月22日-03月23日 |
专题二 (直播五天) | DeepSeek和ChatGPT在科研课题设计和SCI论文写作中的应用 （详情内容点击上方名称查看） 2025年03月29日（九 学时） 2025年03月30日（六学时） |
讲师简介
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。
研究方向包括：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。
课程特色
1. 跨学科前沿技术融合：课程涵盖流体力学的基础理论与应用，主要讲授如何利用深度学习算法来解决流体力学中的复杂问题，如流场重建、网格划分优化、使用神经网络进行流场重建、生成对抗网络提高流场分辨率、求解常微分方程、流场信息预测分析等。能够拓展传统流体力学的研究边界，为解决实际工程问题提供新的思路和方法.
2、丰富实战案例驱动：通过大量的案例教学，如Matlab编程实现有限差分、使用深度学习框架进行流体力学问题求解、Fluent软件的流体计算案例、湍流传热预测、二维机翼流场的模拟预测、二维机翼流场的模拟预测等，使学员能够将理论知识应用于实际问题的解决过程中，增强动手能力和工程实践能力。
3、全面的技术栈覆盖：从基础的线性代数、数据处理，到复杂的人工智能理论和优化方法，再到残差神经网络和卷积神经网络应用，培训内容覆盖了从基础到高级的多个技术层面。
4、物理融合神经网络（PINN）的应用：介绍了物理融合神经网络在湍流模拟中的应用，这是一种将物理定律嵌入到神经网络架构中的创新方法。
5、强化学习在流动控制中的应用：提供了强化学习在流动控制中的实际应用案例，如2D卡门涡街的流动控制，这是流动控制领域的一个新兴研究方向。
课程大纲
目录 | 主要内容 | |
流体力学基础 | 一、流体力学基础理论与编程实战 1、流体力学的主要内容 2、不可压缩流体力学的基本方程 3、Navier–Stokes方程的数值求解介绍 4、有限体积法与有限差分法介绍 案例实践： 1、Matlab编程实现有限差分（案例教学） 2、使用深度学习框架（如TensorFlow或PyTorch）进行流体力学问题的案例，例如使用神经网络进行流场重建（案例教学） 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软件对两相流求解 5、Fluent仿真后处理 案例实践： 1、圆柱绕流、喷雾蒸发的Fluent求解流程（案例教学） 2、讨论Fluent与深度学习结合的潜力，如使用深度学习优化Fluent的网格划分和参数估计（案例教学） | |
线性代数数据处理 | 三、机器学习线性代数基础与数据处理 1、了解Python语言的特征，特别是向量表示 2、数据分布的度量 3、特征值分解进行主成分分析PCA 4、奇异值分解SVD 5、数据降维 6、基于Python语言的CFD数据压缩（案例教学） | |
人工智能深度学习基础 | 四、人工智能基础理论与优化方法 1、基本概念、神经网络的第一性原理 2、感知机模型 3、激活函数分类介绍 4、损失函数分类介绍 5、优化算法的分类介绍 6、Pytorch介绍及环境搭建 案例实践：Python实现基础网络架构 1、 梯度下降算法的Python实现 2、二阶函数极值问题求解（案例教学） 3、使用生成对抗网络（GANs）提高流场分辨率（案例教学）  | |
动力学神经网络 | 五、利用动力学神经网络求解微分方程 1、残差神经网络（ResNet）介绍 2、利用ResNet求解常微分方程(NeuralODE) 3、使用Neural ODE求解动力学问题（案例教学） 4、动力学神经网络及其流体力学应用（案例教学）  | |
卷积神经网络(CNN) | 六、卷积神经网络与流动特征提取 1、卷积的定义与特定 2、卷积神经网络的基本结构 3、CNN如何用于流场信息预测分析，如湍流传热预测（案例教学）  | |
物理融合神经网络 | 七、物理融合神经网络在湍流模拟中的应用 1、基于JAX框架的物理融合的神经网络(PINN) 2、JAX-PINN的训练专家导引 3、JAX-PINN求解圆柱绕流（案例教学） 进阶案例实践：二维机翼流场的模拟预测（案例教学）  | |
流动控制 | 八、利用强化学习实现流动控制 1、强化的核心概念—马尔可夫决策过程 2、Q-learning介绍 3、利用强化学习实现2D卡门涡街的流动控制（案例教学）  | |
一、DeepSeek和ChatGPT的基础理论 (理论讲解+案例分析) | 1. DeepSeek的技术架构 (1) DeepSeek的定义与核心目标 (2) DeepSeek的主要类型 如DeepSeek-R1、DeepSeek-V3等 (3) DeepSeek的主要创新点、优势能力以及主要应用场景 2. ChatGPT的技术原理 (1) ChatGPT的模型架构（GPT系列模型） (2) ChatGPT的预训练数据与训练方法 (3) ChatGPT在对话生成、文本摘要等任务中的优势 3. 两者技术特点对比 (1) DeepSeek与ChatGPT在模型规模、训练数据、应用领域等方面的区别 (2) 如何根据实际需求选择使用DeepSeek还是ChatGPT | |
二、DeepSeek和ChatGPT的技术原理 (理论讲解+实践演示) | 1. GPT的模型细节 (1) GPT模型的技术原理 (2) ChatGPT在文本摘要、问答系统中的表现 2. DeepSeek的模型结构 (1) DeepSeek V系列的模型架构及底层原理 (2) DeepSeek在文本处理任务中的应用 (3) 基于DeepSeek的多模态模型Align-Anything（文本、图像、音频等多种模态的融合） 3. 两者在实际场景的效果对比 (1) 二者在设计类、生成类、决策类、开发类等需求上的效果对比 (2) 如何设计最优的Prompt（根据任务需求调整DeepSeek以及Chatgpt模型的prompt，以达到理想效果） | |
三、DeepSeek的模型部署 (实践演示+案例分析) | 1. DeepSeek的部署实践 (1) DeepSeek模型的本地化部署步骤（如环境搭建、依赖安装、模型加载） (2) 结合RAG的DeepSeek模型部署示例代码及效果分析 (3) DeepSeek模型在实际任务中的调参与优化 2. 模型部署的常见问题与解决方案 (1) 模型部署中可能遇到的性能问题（如内存不足、计算速度慢） (2) 如何通过模型压缩和优化提升部署效率 | |
四、DeepSeek和ChatGPT在科研课题设计中的应用 (案例分析+实践演示) | 1. 科研课题设计思路 科研课题设计的关键步骤分析：研究问题、文献调研、研究内容、技术路线、技术选型 2. 应用案例分析 (1) DeepSeek在科研课题设计中的应用案例及分析 (2) ChatGPT在科研课题设计中的应用案例及分析 3. 技术整合与实现 (1) 案例1：DeepSeek与chatgpt协同在智能电网负荷预测课题设计中的应用 (2) 案例2：DeepSeek与chatgpt协同在生物医学图像分析课题设计中的应用 | |
五、DeepSeek和ChatGPT在SCI论文写作中的应用 (案例分析+实践演示) | 1. 科研论文写作的流程 (1) 科研论文的结构：标题、摘要、引言、方法、结果、讨论、结论 (2) 如何将DeepSeek和ChatGPT技术应用于论文写作 2. 论文写作技巧 (1) 如何清晰地表达研究内容与技术贡献 (2) 如何引用DeepSeek和ChatGPT相关文献 (3) 论文写作中的语言与表达优化 3. 学术交流与论文发表 (1) 如何在国际学术期刊上发表高质量论文 (2) DeepSeek和ChatGPT技术在论文发表中的应用案例 | |
报名须知
培训时间
2025年03月14日-03月16日
2025年03月22日-03月23日
在线直播（授课五天）
培训费用
（含报名费、培训费、资料费）
￥4900元/人
费用提供用于报销的正规机打发票及盖有公章的纸质通知文件；北京中科万维智能科技有限公司作为本次会议会务合作单位，负责注册费用收取和开具发票，可开具会议费发票和发送会议邀请函；
增值服务
1、凡参加学员将获得本次课程电子课件资料及案例文件；
2、凡参加本期课程学员本人可免费参加一次由本单位举办的相同专题的课程；
3、价格优惠：
（1）2025年02月22日前报名缴费可享受300元早鸟价优惠；
（2）参加过我单位举办的其它课程的老学员，可享受额外300元优惠；
4、参加课程并通过试的学员，可以获得：主办方北京软研国际信息技术研究院培训中心颁发的《深度学习流体力学计算与应用工程师》专业技能结业证书；
