基于Fluent和深度学习算法驱动的流体力学计算与应用

关于举办“基于Fluent和深度学习算法驱动的流体力学计算与应用”培训会议的通知

一、背景：

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：

二、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。

三、

课程大纲：    

“基于Fluent和深度学习算法驱动的流体力学计算与应用”专题培训会议大纲

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、流体的尺度分析和傅里叶变换

4、伪谱法求解流体力学方程

案例实践：

1、有限差分法求解一维热对流扩散方程（案例教学）

2、有限元法求解非线性热传导问题（案例教学）

3、二维不可压缩N-S方程求解（案例教学）

4、顶盖驱动方腔流计算案例（案例教学）

二、Fluent简介与案例实战

1、Fluent软件基本介绍：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（tecplot）

案例实践：

1、圆柱绕流、小球入水的Fluent求解流程（案例教学）

2、Fluent数据导出与制作深度学习数据AI结合训练（案例教学）

3、基于Fluent结果的Tecplot科研绘图（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、常微分方程数值求解及其应用

2、神经常微分方程(Neural ODE)介绍

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

5、物理信息神经网络（案例教学）

6、哈密顿神经网络（案例教学）

7、动模态分解介绍及应用（案例教学）

神经网络

六、经典神经网络介绍与流动特征提取

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，如圆柱绕流预测（案例教学）

4、Diffusion model 定义与算例（案例教学）

5、基于神经网络的流体超分辨应用（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）  

     Jax pinns求解空气动力学

JaxPi进阶案例实践：二维机翼流场的模拟预测（案例教学）

四、课程讲师：

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。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。

五、课程特色：

1. 交叉融合：CFD工具 + AI前沿技术

无缝衔接传统与新兴方法：从Fluent软件实战到深度学习算法（CNN、GANs、Neural ODE、PINN），系统讲解如何利用Fluent生成数据驱动AI训练（如流场超分辨、特征提取）。

覆盖完整技术链：包含数据预处理（PCA/SVD降维）、模型构建（Pytorch实现）、物理约束嵌入（PINN）、结果可视化（Tecplot）全流程。

2. 前沿AI技术聚焦流体力学应用

物理信息驱动：重点教授物理融合神经网络（PINN）和神经常微分方程（Neural ODE），将流体控制方程嵌入网络损失函数，提升模型物理可信度与数据效率。

创新场景实战：GANs提升流场分辨率、基于CNN的圆柱绕流预测、JAX-PINN求解复杂流场（如机翼绕流）、哈密顿神经网络守恒律建模等等。

3. 双轨并重：理论推导 + 工业级案例实操

基础理论扎根：从流体方程（N-S方程、傅里叶分析）到AI第一性原理（感知机、优化算法、卷积定义），夯实数理基础。

案例贯穿：传统CFD案例，CFD数据降维案例，CFD数据导出制作AI数据及训练、神经网络求解微分方程问题、神经网络流场信息预测、物理融合神经网络湍流模拟等前沿应用案例。

4. 紧贴科研与工程痛点

解决实际瓶颈：针对CFD计算成本高、复杂流场解析难等问题，提供AI加速方案（如超分辨模型、PINN替代仿真）。

工具链整合：融合工业标准软件（Fluent、Tecplot）与开源AI生态（Python/Pytorch/JAX），提升成果落地能力。

“传统CFD工业软件×深度学习前沿算法×物理机理约束”三维融合，通过20+案例，培养学员利用AI突破流体力学计算瓶颈的能力，适用于航空航天、能源动力、船舶水利等领域高效研发。

六、培训时间：

2025年07月25日--07月27日  在线直播（授课三天）

2025年08月02日--08月03日  在线直播（授课两天）

七、课程费用：

￥4900元/人 （含报名费、培训费、资料费）

2025年07月04日前报名缴费可享受400元早鸟价优惠；

参加过我单位举办的其它课程的老学员，可享受额外200优惠；

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；

八、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、课程结束可获得本次所学专题全部回放视频；

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；

九、如何报名、缴费？

1. 致电互动派（北京）教育专门负责行政招生的老师报名，联系方式见下方“第十条”。

2. 填写下方附件报名回执表发送到互动派（北京）教育负责行政招生工作的老师。

3. 缴费支持公对公转账、个人垫付（对公到账及时退还垫付费用，可开具垫付证明）。

十、联系方式：

官方联系人:互动派科宇老师          电话、企业微信：13520456594            

官方座机：010-56245524             官方网址：www.hdpaii.com

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删