发布日期:2025年11月19日
培训简介
机器学习正迅速成为科学计算的核心技术,为推动计算流体动力学领域的发展提供了许多机会。在这里,我们重点介绍了一些具有最大潜在影响的领域,包括加速直接数值模拟、改进湍流闭合建模以及开发增强的降阶模型。我们还讨论了机器学习的新兴领域,这些领域对计算流体动力学很有希望,以及一些应该考虑的潜在限制。随着深度学习技术的快速发展,其在多个领域的应用已经取得了显著的成果。在计算流体力学领域,深度学习技术为解决复杂动问题提供了新的方法和思路。本文综述了深度学习在流体力学领域的应用,包括流动模拟、湍流预测、边界层计算等方面,并探讨了深度学习在流体力学中的未来发展趋势。CFD领域在处理复杂流动问题时,面临着基础模型复杂、运算量大、难以集成等瓶颈。特别是在航天航空、海洋船舶、土木工程及能源动力等行业,有大量流体控制及优化设计的难题需要解决。传统方法在应对非线性及高维复杂性挑战时显得力不从心,而深度学习的引入为解决这些问题提供了新的思路和方法。深度学习在计算流体力学(CFD)中的优势应用主要体现在以下几个方面:
复杂流动现象的模拟与预测;数据驱动的流体动力学研究;流场特征的自动识别与分析;深度强化学习在流体控制中的应用;CFD数据前处理;图像识别与处理;
深度学习在流体力学领域的应用已经取得了显著的成果,为解决复杂流动问题提供了新的方法和思路。未来的研究将致力于推动深度学习在流体力学领域的应用和发展,为实际工程应用提供更加准确和高效的解决方案。
机器学习正迅速成为科学计算的核心技术,为推动计算流体动力学领域的发展提供了许多机会。在这里,我们重点介绍了一些具有最大潜在影响的领域,包括加速直接数值模拟、改进湍流闭合建模以及开发增强的降阶模型。我们还讨论了机器学习的新兴领域,这些领域对计算流体动力学很有希望,以及一些应该考虑的潜在限制。随着深度学习技术的快速发展,其在多个领域的应用已经取得了显著的成果。在计算流体力学领域,深度学习技术为解决复杂流动问题提供了新的方法和思路。本文综述了深度学习在流体力学领域的应用,包括流动模拟、湍流预测、边界层计算等方面,并探讨了深度学习在流体力学中的未来发展趋势。CFD领域在处理复杂流动问题时,面临着基础模型复杂、运算量大、难以集成等瓶颈。特别是在航天航空、海洋船舶、土木工程及能源动力等行业,有大量流体控制及优化设计的难题需要解决。传统方法在应对非线性及高维复杂性挑战时显得力不从心,而深度学习的引入为解决这些问题提供了新的思路和方法。深度学习在计算流体力学(CFD)中的优势应用主要体现在以下几个方面:
复杂流动现象的模拟与预测;数据驱动的流体动力学研究;流场特征的自动识别与分析;深度强化学习在流体控制中的应用;CFD数据前处理;图像识别与处理;
深度学习在流体力学领域的应用已经取得了显著的成果,为解决复杂流动问题提供了新的方法和思路。未来的研究将致力于推动深度学习在流体力学领域的应用和发展,为实际工程应用提供更加准确和高效的解决方案。
培训目标
1. 该课程的培养目标主要集中在培养具备扎实流体力学理论基础和深度学习技术知识的高级专业人才。他们不仅需要熟悉传统流体力学的原理和方法,还需要掌握深度学习算法的原理和应用,能够运用深度学习技术对计算流体力学方法进行创新设计和优化。
2. 学习流体力学的基本原理与控制方程。了解传统流体力学的数值计算方法和大规模并行计算方法。
3. 了解深度学习在计算流体力学中相比于传统计算流体力学方法方面的优势,探讨深度学习在流体力学领域的研究现状和潜在应用,为实践项目的选择提供指导。
4. 分析深度学习在流体力学中的流场预测、边界条件识别、湍流模拟以及优化问题求解等方面的应用案例,深入了解其实际应用场景。
5. 了解深度学习在计算流体力学领域的发展现状,启发创新性思维,推动计算流体力学方法向更加智能化和自适应的方向发展。
6. 随着流体力学在各个领域的广泛应用,智能流体力学人才也将面临更加广阔的职业发展空间。他们可以在航空航天、汽车船舶和能源动力以及等领域发挥重要作用,为相关产业的发展和创新做出积极贡献。
培训授课讲师
来自国内顶尖985院校应用数学、计算数学、材料科学和流体力学专业,擅长应用数学、物理信息模型、机器学习建模与深度学习技术驱动交叉学科研究。近年来发表SCI论文12篇。研究方向包括:理论流体力学、智能材料、智能流体力学的量子计算、数据驱动的流体力学、流体力学的核函数方法、仿真实验分析等。
培训内容大纲
课程大纲
目录 | 深度学习流体力学专题内容 |
第一天:基础篇一“智能流体力学的基石:识别网络与数据同化” | 实操环境:Jupyter Notebook + Python+PyCharm 1.课程导航 + 环境测试+机器学习基础 a.内容介绍:课程启动仪式,全体学员环境一致性检查。 系统验证Anaconda、PyTorch、NumPy等工具链完整性,解决常见安装问题。明确5天学习路线图,确保每位学员顺利进入实操环节。 b.机器学习基础、数据驱动方法(根据发表在Nature、IEEE、Computer Science 、Computer Vision and Pattern Recognition论文与项目) 机器学习基础、传统CFD与生成式AI结合的意义 (GAN生成湍流数据) 内容介绍:机器学习基础、深入剖析传统CFD计算瓶颈(高成本、长周期),介绍GAN如何生成高保真湍流数据集。实操DCGAN架构,输入低维边界条件输出3D速度场。案例:用GAN扩充通道流DNS数据10倍,训练时间缩短。讨论数据质量评估指标(KL散度、谱相似性),构建湍流数据流水线。 c.使用Python处理CFD数据的具体方法与技巧 (Pandas+NumPy实操) 内容介绍:系统讲解VTK/PLT文件解析,Pandas构建多维DataFrame,NumPy向量化运算加速。实操脚本:OpenFOAM结果→特征矩阵(速度、压力、涡量),内存优化技巧(64位浮点压缩)。可视化:Matplotlib绘制速度廓线、涡结构等。输出标准化CFD数据处理模板,支持批量自动化。(根据OpenFOAM项目展开) d.使用深度学习技术求解数值CFD问题 (CNN提升计算效率)e.内容介绍:对比传统FVM与CNN求解器,实操Physics-Informed CNN求解2D Burger方程。代码演示:输入网格数据→卷积层提取空间模式→全连接层输出解场。性能对比:CNN加速、提升精度误差。讨论边界条件嵌入方法,构建可复现的CFD-DL求解框架。(根据发表在Nature、Journal of Scientific Computing、Communications in Nonlinear Science and Numerical Simulation论文与项目)f.卷积神经网络多源湍流数据的可观测增强流形学习方法g.内容介绍:介绍稀疏传感器数据增强技术,CNN+Autoencoder构建低维流形。实操:PIV实验数据→CNN特征提取→流形插值→全场重建。评估指标:重构PSNR>35dB。(根据发表在Nature、Computer Science Machine Learning论文与项目)h.人工智能技术方法有限体积法在CFD数值模拟中的应用 (实操演示)i.内容介绍:从控制体积推导入手,OpenFOAM icoFoam求解2D腔流。手写Python FVM求解器,对比精度与收敛性。参数调优:时间步长、网格分辨率、边界条件设置。输出:FVM理论+代码+OpenFOAM案例三位一体教学模块,学员掌握数值散度控制技巧。(根据OpenFOAM项目展开)j.传统机器学习方法与流体力学结合的实际案例k.内容介绍:系统对比SVM、随机森林、XGBoost在阻力预测、分离点检测中的应用。实操: airfoil数据集→特征工程(攻角、Re数)→ML模型训练→10折交叉验证。性能分析:XGBoost RMSE<0.02。案例:汽车尾流优化,ML替代1000+次CFD计算。(根据发表在Nature、Computer Science Machine Learning论文与项目)l.DeepSeek/通义千问在流体力学中的应用示例内容介绍:DeepSeek/通义千问大模型自然语言接口,自动生成CFD案例配置。实操:"模拟NACA0012在Ma=0.3下的流动"→YAML文件→OpenFOAM运行。m.数据同化与识别网络实战相干结构识别网络构建内容介绍:端到端CNN架构:输入瞬时流场→卷积提取局部模式→全局注意力→结构标签输出。训练:10000张标注涡图,IoU>0.9。部署:实时视频流处理,5ms/帧。应用:风洞实验在线分析系统。根据发表论文参考https://arxiv.org/html/2408.12171v1数据同化基础算法实操内容介绍:EnKF实现:观测+先验→后验更新。Python代码:卡尔曼增益计算、协方差传播。案例:LDA实验速度场同化,RMSE降低60%。讨论:观测算子设计、非线性问题处理。物理定律嵌入神经网络范式解析n.内容介绍:PINN损失函数设计:PDE残差+边界+数据项。数学推导:梯度计算、物理约束权重。实操:1D对流扩散方程PINN,误差<0.1%。对比纯数据驱动方法优势。(根据发表在Nature、Journal of Computational Physics论文与项目) |
第二天:建模篇- “湍流的智能建模:从RANS到LES”及其PINN应用 | 主题:利用深度学习构建高精度、高效率的湍流模型 实操环境:TensorFlow+PyTorch + DeepXDE 1.物理信息神经网络(PINN)原理与应用 a.PINN的基本原理与模型结构通过论文解析和代码实操,深入讲解PINN的核心概念与结构。(根据发表Nature、Journal of Computational Physics论文与项目) b.使用PINN模型求解N-S方程模拟复杂流体问题利用PINN求解Navier-Stokes方程,模拟不同流体流动问题。(根据发表Nature、Journal of Computational Physics论文与项目) c.PINN结合数据驱动方法的解决方案探讨如何将数据驱动方法与PINN相结合,提升模型的解决能力。(根据发表Nature、Journal of Computational Physics论文与项目) 2.PINN项目实战与算法剖析 a.PINN求解稳态与非稳态流动问题解析论文并通过实操,展示如何使用PINN处理稳态与非稳态流动问题。(根据发表Journal of Computational Physics论文与项目) b.湍流涡粘模型与PINN应用于翼型流动结合湍流涡粘模型与PINN技术,模拟翼型流动问题。(根据发表Journal of Computational Physics论文与项目) c.Turbulent-Flow-Net深度学习模型展示Turbulent-Flow-Net模型在湍流模拟中的应用与源码实现。(根据发表UCSD Machine Learning Group论文与项目) d.基于物理信息神经网络(PINN) 和基于张量网络 (TN) 的求解器应用于计算流体动力学 (CFD) 问题: 综述量子机器学习(QML)和量子启发方法在CFD中的数据驱动应用,如量子物理信息神经网络(QPINNs)用于高维湍流建模,提升参数效率和准确性。讨论数据驱动代理模型在多尺度流动中的优势。(根据发表Journal of Computational Physics论文与项目) e.基于PINN和TN的CFD求解器 (量子机器学习QML应用) (根据发表Journal of Computational Physics论文与项目) 内容介绍:张量网络分解高维PDE,MPS/MPO表示解函数。Qiskit集成:量子电路模拟PINN。优势:参数量减少,高维(6D+)可解。案例:3D湍流参数扫描。( QPNN高维湍流建模 (参数效率提升) (根据发表MACHINE LEARNING Science and Technology论文与项目) 内容介绍:量子物理信息神经网络,变分量子电路+经典MLP。 Pennylane框架实操:4量子比特模拟2D湍流。 精度:经典PINN等效。 未来:NISQ设备部署。 3、从RANS到LES的智能建模实战 RANS模型深度学习增强 内容介绍:神经RANS,输入平均流场→学习雷诺应力各向异性。数据:DNS→滤波→训练。实操:通道流,k-ω模型精度提升。应用:复杂几何RANS加速。 4、LES湍流子网格建模 内容介绍:深度学习SGS模型,CNN学习动态Smagorinsky系数。 训练:a priori测试,相关系数提升。 实操:OpenFOAM LES求解器替换,计算成本降低。 5、多尺度流动代理模型优势分析 内容介绍:V-cycle多网格+神经代理,粗网格DL上采样。 案例:层流-湍流转变预测,时间步长增大。讨论:误差传递控制、收敛加速机制。 输出成果:PINN应用案例及其翼型流动预测系统 + QPNN高维湍流代码 + LES智能湍流模型(根据发表Nature、MACHINE LEARNING相关论文与项目) |
第三天:感知篇一“流场感知与重建:从稀疏数据到全场信息”及OpenFOAM流体仿真融合 | 1.OpenFOAM仿真技术基础(感知数据采集) a.OpenFOAM环境的安装与配置通过实际操作,教授如何在Linux环境下安装并配置OpenFOAM。 b.DeepSeek赋能OpenFOAM仿真示例演示如何结合DeepSeek技术,提升OpenFOAM仿真的精度与效率。 c.OpenFOAM框架结构与模块组成深入解析OpenFOAM的框架结构,帮助学员理解其各模块的作用与配置。 d.基于Paraview的流体仿真可视化分析方法学习如何使用Paraview进行CFD仿真结果的可视化分析。 e.OpenFOAM数据驱动、转化和交互方法介绍如何通过Python与OpenFOAM进行数据交互与转换,提升仿真结果的准确性。 f.在Linux平台的Python与OpenFOAM交互式实现方法详细介绍如何在Linux平台上实现Python与OpenFOAM的交互操作。 2.AI模型嵌入仿真系统(根据发表Nature、MACHINE LEARNING相关论文与项目) a.深入操作OpenFOAM进行流体仿真教授如何使用OpenFOAM进行复杂流体问题的仿真,并分析结果。 b.OpenFOAM从稀疏数据到全场信息。 c.从仿真数据中提取关键特征进行分析展示如何从仿真结果中提取重要特征,并进行进一步分析。 d.神经网络模型与OpenFOAM仿真数据融合训练实战讲解如何将神经网络模型与OpenFOAM仿真数据结合,进行训练与优化。 e.深度强化学习与OpenFOAM的应用案例通过案例展示深度强化学习在OpenFOAM仿真中的应用,优化流体仿真过程。 3.大模型与CFD仿真联合应用 多代理框架可通过单个自然语言提示自动执行整个基于OpenFOAM 的 CFD 模拟工作流程。通过管理从网格划分和案例设置到执行和后处理的整个流程,Agent 大大降低了计算流体动力学的专业知识门槛。 |
第四天:控制篇一“流场智能控制:从强化学习到主动流动控制”及ANSYS Fluent多物理场耦合应用 | 1.强化学习与主动控制实战 AI模型嵌入仿真系统 (神经网络融合训练) 内容介绍:functionObject+PyTorch,实时场数据→NN推理→控制信号。双向通信:MPI并行加速。案例:执行器位置优化,收敛速度提升。 深度强化学习与仿真的应用案例(减阻优化) 内容介绍:PPO算法,状态:流场特征;动作:执行器角度。 2.神经网络在非稳定不可压缩流体动力学预测中的应用 内容介绍:ConvLSTM+Attention,时空预测精度>95%。输入:前10帧→预测下50帧。训练:DNS数据库,内存优化(checkpointing)。应用:不稳定分离控制。(根据发表Nature、MACHINE LEARNING相关论文与项目) 3.基于卷积编码器-解码器的Transformer模型 (湍流时空学习) 内容介绍:ViT变体,patch embedding+多头注意力。输入:时空块→输出:未来流场。训练、BLEU分数0.92。优势:长时程依赖捕捉,预测horizon 100Δt。 4.主动流动控制综合项目 增升/减阻控制策略设计 内容介绍:多目标优化,权重Pareto前沿。执行器:合成射流、等离子激励。策略:PID+RL混合。性能:升力提升,阻力减少。工程实现路线图。 RL代理控制器实操 内容介绍:Stable-Baselines3 PPO,OpenFOAM环境封装。Gym接口:step()返回流场+奖励。训练可视化:TensorBoard曲线、策略熵稳定。 多目标优化控制案例(根据发表Nature、MACHINE LEARNING相关论文与项目) 内容介绍:NSGA-II+代理模型,目标:升阻比最大化+振动最小化。1000代进化,Pareto解集。验证:高保真CFD,收敛性提升。无人机旋翼优化。 5.Fluent仿真与框架解析 a.ANSYS Fluent的安装与配置学习如何安装并配置ANSYS Fluent,准备进行流体仿真。 b.DeepSeek赋能ANSYS Fluent仿真示例演示如何使用DeepSeek技术在Fluent仿真中提升数据分析能力。 c.Fluent架构与功能模块剖析深入了解Fluent的架构与功能模块,帮助学员更好地使用Fluent进行仿真。 d.使用Python与ANSYS Fluent进行交互通过实操,展示如何利用Python与Fluent进行数据交互与分析。 6.Fluent数据仿真融合AI算法实战 a.Fluent立体数据的采集与分析教授如何采集并分析Fluent仿真中的三维数据。 b.Fluent从稀疏数据到全场信息。 c.使用Fluent数据训练神经网络模型进行流体力学预测结合Fluent仿真数据,训练神经网络进行流体力学问题的预测。 d.基于Fluent仿真数据与AI融合的实际应用案例分享基于Fluent仿真数据与AI融合的真实应用案例,展示其效果。 e.热-流耦合案例:使用AI预测流场温度分布通过LSTM模型,展示如何利用AI预测热流耦合问题。 |
第五天: “开源生态与自主科研:构建你的智能CFD工作流” | 1.大模型与CFD仿真联合应用 多代理框架:自然语言提示自动执行OpenFOAM全流程 内容介绍:Agent分工:网格Agent、求解Agent、后处理Agent。提示解析→任务分解→并行执行。 网格划分→案例设置→执行→后处理自动化 内容介绍:snappyHexMesh自动化,blockMesh参数化。PimpleFoam动态时间步。ParaViewPython后处理:力/矩/场导出Excel。 Agent降低CFD专业门槛实战演示 内容介绍:零基础学员实操:口述需求→Agent执行→结果报告。成功率>95%。教学:提示工程、Agent调试。输出:个人CFD助手,配置JSON模板库。 2.基于U-Net的流体力学 a.U-Net网络结构及其深度学习原理介绍U-Net结构,并通过实操讲解其在流体力学中的应用。(根据发表Nature、MACHINE LEARNING相关论文与项目) b.流场数据的预处理与特征提取展示如何进行流场数据的预处理与特征提取,提升模型性能。 c.使用U-Net模型进行流场预测、重构与优化教授如何使用U-Net模型进行流场数据的预测与优化。(根据发表Nature、MACHINE LEARNING相关论文与项目) 3.基于图神经网络(GNN)的流体力学 a.GNN原理及其在流体力学中的应用讲解图神经网络(GNN)的基本原理,并介绍其在流体力学中的应用。(根据发表Nature、MACHINE LEARNING相关论文与项目) b.基于GNN的流场预测与性能评估通过案例展示如何使用GNN进行流场预测,并评估其性能。 4.高保真流场重建与扩散模型 a.扩散模型的基本原理与应用讲解扩散模型的原理,并展示其在流场模拟中的应用。(根据发表Nature、MACHINE LEARNING相关论文与项目) b.扩散概率模型在翼型流动模拟中的应用探讨扩散概率模型如何用于翼型流动的模拟。 5.CNN算法在翼型周围流场中的快速预测方法(根据发表Nature、MACHINE LEARNING相关论文与项目) a.通过具体案例,讲解CNN在翼型周围流场预测中的应用。 6.神经网络在非稳定不可压缩流体动力学预测中的应用 a.展示神经网络如何应用于非稳定不可压缩流体动力学的预测。(根据发表Nature、MACHINE LEARNING相关论文与项目) 7.基于卷积编码器-解码器的Transformer模型用于湍流数据驱动时空学习方法介绍如何结合Transformer和卷积编码器-解码器结构,进行湍流数据的时空学习。 8.微调大型语言模型以自动化计算流体动力学仿真 |
课程特色及授课方式
线上授课时间和地点自由,建立专业课程群进行实时答疑解惑,理论+实操授课方式结合大量实战案例与项目演练,聚焦深度学习流体力学仿真的最新研究进展,课前发送全部学习资料,课程提供全程答疑解惑;
完全贴合学员需求的课程体系设计,定期更新的前沿案例,由浅入深式讲解,课后提供无限次回放视频,免费赠送二次学习,发送全部案例资料,永不解散的课程群,可以与相同领域内的老师同学互动交流问题,让求知的路上不再孤单!
增值服务
1、凡参加人员将获得本次课程学习资料及所有案例模型文件;
2、课程结束可获得本次所学专题全部回放视频;
3、课程会定期更新前沿内容,参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程(任意一期)
课程会议完毕后老师长期解疑,课程群不解散,往期会议学员对于会议质量和授课方式一致评价极高!
学员对于会议答疑给予高度评价!
授课时间
深度学习流体力学仿真:
2025.01.17---2025.01.18(上午09:00-11:30下午13:30-17:00)
2026.01.21---2026.01.22 (晚上19:00-22:00)
2026.01.24---2026.01.25 (上午09:00-11:30下午13:30-17:00)
腾讯会议 线上授课(共五天课程 提供全程视频回放)
课程费用
每人每班:4980元
往届学员的优惠:为便于往届学员获得后来历届培训里增加的大量新知识,,参加过以往任意一届北京等贤培训班的学员可享受8折优惠!报名时请主动在邮件里说明。
报名方式
联系人:陈老师
咨询电话:15652523032(微信同号)
相关事项(必读!)
1、每个学员在报名后都会提供盖有公章的邀请函。
2、若有任何问题需要咨询或沟通,请发送邮件至13169611059@qq.com。
3、郑重声明:北京等贤的培训讲义、录音以及培训中提供的一切电子资料,皆仅限学员自己学习使用,严禁私下复制、传播、盗卖,不得发布至网络上公开平台,否则必将被严厉追究法律责任、要求赔偿经济损失,情节严重的还将在网络上予以公示、向涉事者所在学校/单位进行通报。报名本培训视为认可本条款。
4、报名后允许取消报名,决定取消报名时应尽早通知我们。如果在报名后因为不可抗力而不得不取消报名,一次无妨,但如果反复出现多次在报名后又取消报名的情况(特别是到了培训快开始,我们发催款通知后才说要取消报名),将会影响信誉,导致在报名未来北京等贤的培训时降低受理的优先级,或者不再接受。如果报名后,我们尝试通过报名表中的各种联系方式联系报名者但经过数日都没有收到任何回复,本次报名将作废,且报名未来的培训时将不再受理。我们希望发来报名表的都是真心要参加培训学习知识的人,请尽量避免浪费有限的培训名额。