软件
产品
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：
（详情内容点击上方名称查看）
2024年12月07日-12月09日
2024年12月14日-12月15日
（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
（详情内容点击上方名称查看）
2024年11月30日-12月01日
2024年12月06日-12月08日
其他开课专题
岩土专题
【Nature】“深度岩土探秘：PFC技术引领数值模拟新革命！”
（详情内容点击上方名称查看）
复合材料专题
（详情内容点击上方名称查看）
光电专题
"超表面逆向设计革新：COMSOL助力光电与光电器件性能飞跃"
（详情内容点击上方名称查看）
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。
讲师介绍
Fluent 讲师
国家“985工程”重点高校工程系教授，主要从事流体力学和数据驱动的建模仿真研究，近年来发表SCI论文30余篇，授权2项发明专利，出版英文学术专著一部，并且担任五个国际期刊编委。
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、多相流动与传热传质等。
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。
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。
培训大纲
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
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
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）
残差神经网络
五、利用残差神经网络求解常微分方程
1、残差神经网络（ResNet）介绍
2、利用ResNet求解常微分方程(NeuralODE)
3、ResNet在解决多相流和多尺度流体问题中的应用
4、Neural ODE与流体力学方程求解（案例教学）
5、使用Neural ODE求解流体力学问题，如流场的动态演化（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、物理融合的神经网络(PINN)介绍
2、PINN的训练与稳定性
3、PINN求解公式中的系数
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）
不确定性分析
九、利用UQnet对预测结果的不确定性进行分析
1、不确定性量化定义和重要性
2、常见的不确定性量化方法
3、概述 UQnet 和 PI3NN 方法的重要性
4、UQnet 简介和核心方法：PI3NN 的基本原理
5、使用 UQnet 进行对实际案例进行不确定性量化分析，如在复杂流动问题中评估模型的预测不确定性（案例教学）
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。
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
技术文档
推荐好文
155-2731-8020
