往 期 培 训

Previous Training


人工智能流体力学专题
  • 第1届北京等贤AI智能体在力学仿真的应用与实战专题培训班第一轮通知

    传统有限元与计算流体力学仿真长期面临“精度-效率”两难困境:高保真分析计算昂贵,而简化模型又难以捕捉复杂多物理场耦合行为。近年来,人工智能的深度介入正催生一场“智能力学仿真”的范式变革——从物理信息神经网络(PINN)直接嵌入偏微分方程残差,到UNet与Transformer实现全场应力/位移的毫秒级预测;从EUCLID无监督本构发现自动揭示超弹性材料的能量函数形式,到NNUMAT将深度学习模型无缝部署于Abaqus商用求解器。更具颠覆性的是,大语言模型多智能体系统(LLMAgent)的崛起,正在重新定义仿真工作流:通过MCP模型上下文协议标准化CAE求解器接口,利用LangGraph、AutoGen等框架编排规划建模求解后处理协作智能体,并借助FeaGPT、FoamAgent等前沿成果,实现“自然语言对话式仿真”与端到端自动化闭环。本专题系统讲授机器学习核心算法、深度学习代理模型、断裂力学AI预测、数据驱动本构建模以及多智能体协同技术,旨在培养掌握力学仿真原理与人工智能方法的复合型人才,推动计算力学迈向智能、精准、自动化的新阶段。

  • 第1届北京等贤人工智能流体力学仿真培训班第一轮通知

    人工智能正深刻重塑流体力学的研究范式,其前沿进展围绕数据与物理的深度融合以及计算效率的颠覆性提升展开。以物理信息神经网络为代表的模型通过将纳维-斯托克斯方程嵌入学习过程,成功实现了复杂几何流场与湍流反演的高精度求解;而傅里叶神经算子等框架则直接从数据中学习偏微分方程的映射,在三维可压缩湍流等场景中将计算速度提升数个数量级。针对湍流建模这一核心挑战,对抗训练神经算子与数据驱动振荡器模型正逐步克服传统方法的过度平滑问题,实现了对多频湍流精细结构的忠实捕捉与长效预报。在工程应用层面,结合深度学习与CFD的数字孪生系统已在反应堆主泵、航空涡轮以及复杂地形风场重建中展现出近实时状态追踪的能力,而将动力约束引入人工智能预报也为热带气旋等极端事件提供了兼具动态一致性与集合预报能力的新范式。总体而言,人工智能流体力学正从单纯的加速工具演变为驱动跨学科创新、实现智慧工业与精准气象预测的核心引擎。

共有1页首页上一页1下一页 跳转 页 确定 尾页
seo seo