- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- **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。
5 **、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。
6 **、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。
- ：
2025年03月14日--03月16日
2025年03月22日--03月23日