主要内容

机器学习基础模型与复合材料研究融合

1.机器学习在复合材料中的应用概述

2.机器学习用于复合材料研究的流程

3.复合材料数据收集与数据预处理

实例：数据的收集和预处理

4.复合材料机器学习特征工程与选择

实例：以纳米材料增强复合材料为例，讨论特征选择、特征工程在提高模型性能中的作用。

5.线性回归用于复合材料研究

实例：线性回归在处理复合材料数据中的应用

6.多项式回归用于复合材料研究

实例：多项式回归在处理复合材料数据中的非线性关系时的应用

7.决策树用于复合材料研究

实例：决策树回归在预测水泥基复合材料强度中的应用

复合材料研究中应用集成学习与支持向量模型

1.随机森林用于复合材料研究

实例：随机森林在预测复合材料性能中的应用

2. Boosting算法用于复合材料研究

实例：Catboost在预测复合材料强度中的应用

3.XGBoost和LightGBM用于复合材料研究

(1)  XGBoost

(2)  LightGBM

(3)  模型解释性技术

实例：XGBoost和LightGBM在水泥基复合材料性能预测中的应用，模型比较

4.支持向量机 (SVM) 用于复合材料研究

(1)  核函数

(2)  SVM用于回归（SVR）

实例：SVR在预测复合材料的力学性能中的应用

5.模型调参与优化工具包

(1)  网格搜索、随机搜索的原理与应用

(2)  工具包Optuna

实例：超参数调整方法，模型调参与优化工具包的应用

6.机器学习模型评估

(1)  回归模型中的评估指标（MSE, R2, MAE等）

(2)  交叉验证技术

实例：比较不同模型的性能并选择最佳模型

复合材料研究中应用神经网络

1.神经网络基础

(1)  激活函数

(2)  前向传播过程

(3)  损失函数

实例：手动实现前向传播

2.神经网络反向传播与优化

(1)  梯度下降法原理

(2)  反向传播算法

(3)  随机梯度下降(SGD)

实例：实现梯度下降算法

3.复合材料研究中的多层感知机(MLP)

(1)  MLP架构设计

(2)  MLP的训练过程

(3)  MLP在回归和分类中的应用

实例：构建简单的MLP解决复合材料中的回归问题

4.PyTorch基础

(1)  张量(Tensor)的创建和操作

(2)  自动求导(Autograd)机制

(3)  损失函数和优化器

实例：使用PyTorch构建简单研究复合材料的神经网络

5.可解释性机器学习方法-SHAP

(1)  SHAP理论基础

(2)  计算和解释SHAP值

实例：复合材料中应用SHAP进行模型解释和特征理解

论文复现机器学习综合应用以及SCI文章写作

论文实例解读与复现：选择两篇应用机器学习研究水泥基复合材料的SCI论文

Ø 论文应用机器学习研究的创新点分析

Ø 论文中使用的复合材料数据集介绍

Ø 论文中的复合材料特征选择与数据预处理方法

Ø 论文中使用的模型结构与构建

Ø 机器学习研究复合材料的超参数调整

Ø 复合材料研究中机器学习模型性能评估

Ø 复合材料机器学习研究结果可视化

课程总结与未来展望

Ø 课程重点回顾

Ø 机器学习在复合材料中的未来发展方向

Ø 如何继续学习和深入研究

Ø Q&A环节

时间

主要内容

第一天

1. ABAQUS复合材料建模基础

1.1.ABAQUS软件简介与基本操作

1.2.几何建模与物理参数设定、网格剖分技术

1.3.复合材料层结构建模方法（壳单元、连续壳单元及多层实体单元）

1.4.静力分析中强度准则和损伤判据

1.5.数据输入与输出操作及结果解读

复合材料层合结构热-力耦合算例（实例）

2. 断裂力学与与损伤分析

2.1.断裂力学基础理论

2.2.基于XFEM方法的裂纹扩展模拟(实例）

2.3.VCCT方法入门（实例）

2.4.Cohesive方法入门（实例）

第二天

3. 断裂力学与损伤分析

3.1.基于虚裂纹闭合技术(VCCT)的分层扩展模拟（实例）

3.2.基于cohesive单元的分层/界面损伤扩展模拟（实例）

4. 复合材料加筋板静载荷分析与承载能力预测

4.1.复合材料加筋板的压溃分析基本理论

4.2.复合材料加筋板的压溃分析（实例）

4.3.复合材料加筋板剪切失效测试案例解析

4.4.复合材料层合板剪切失效模拟（实例）

第三天

5. 特殊复合材料建模与分析

5.1.复合材料损伤失效行为的多尺度分析概述

5.2.颗粒增强金属基复合材料结构建模、胞元分析技术（实例）

5.3.短纤维增强复合材料结构建模、胞元分析技术（实例）

6. 复合材料冲击与动态响应

6.1.结构动力学基础理论与ABAQUS动力学分析工具

6.2.复合材料加筋板自由振动分析(实例）

6.3.低速冲击理论与冲击后剩余压缩强度实验方法

6.4.复合材料冲击损伤模型与仿真流程

6.5.复合材料加筋板低速冲击过程模拟与剩余强度计算（实例）

6.6.高速冲击问题概述与模拟策略

6.7.高速冲击模拟（实例）

第四天

7. 高级编程与二次开发

7.1.工程材料本构关系与损伤模型简介

7.2.基于MATLAB与Python的参数化建模与脚本编程（实例）

7.3.ABAQUS接口子程序（UMAT、USDFLD等）原理与应用

7.4.基于接口子程序的材料弹塑性与粘弹性分析（实例）

7.5.复合材料损伤分析（实例）

8. 论文写作与科研指导

8.1.复合材料仿真计算文章（SCI）案例解析

8.2.SCI 论文撰写规范与创新思路

8.3.航空航天复合材料发展趋势与创新研究展望

8.4.算例补充与论文写作互动环节

欢迎各位学员带着课程相关问题参加学习交流，

我们将全力为你们解决问题！

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

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

流场去噪问题和流场参数重建问题

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

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

目录

主要内容

一、流体力学基础理论与编程实战

1、流体力学的发展概述

2、不可压缩流体力学的基本方程

3、偏微分方程数值求解介绍

4、傅里叶变换和流体的尺度分析

5、伪谱法求解不可压缩流体力学方程

案例实践：

1、Matlab编程实现有限差分（案例数据与代码提供给学员）

2、Python编程伪谱法求解NS方程（案例数据与代码提供给学员）

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软件动网格技术的两相流求解

5、Fluent仿真后处理

案例实践：圆柱绕流、小球入水的Fluent求解流程（案例文件提供给学员）

三、人工智能基础理论与优化方法

1、人工智能的基本概念

2、最优化理论算法： 

a) 最优问题的定义   

b) 优化算法介绍

3、机器学习算法简介：支持向量机等机器学习算法

4、深度学习的基本概念及实战

案例实践：Python实现基础网络架构

1、梯度下降算法的Python实现（案例数据代码提供给学员）

2、二阶函数极值问题的求解（案例数据代码提供给学员）

四、深度学习模型在流场超分辨中的应用

1、超分辨的基本概念和应用场景

2、经典超分辨算法

a) 基于局部自适应对偶性先验的最优化方法    

b) 超分辨算法的性能评估

3、分别基于卷积神经网络（CNN）和生成对抗网络(GAN)的流场超分辨案例与实战

案例实践：Python编程实现流场超分辨，不同模型超分辨的优势和劣势分析

1、经典模型实现流体超分辨（案例数据代码提供给学员）

2、深度学习模型实现流体的超分辨（案例数据代码提供给学员）

五、深度学习模型的力学新范式及ODE求解实战

1、深度学习模型的动力学解释

2、残差神经网络（ResNet）与神经常微分方程(NeuralODE)

3、Neural ODE与与流体力学方程求解

4、循环神经网络(RNN)与流体动力学时序预测

a) RNN的基本概念 

b) RNN与隐式算法的对应关系

c) 时间序列预测在流体动力学中的应用

5、卷积神经网络(CNN)与流场特征提取

a)   CNN的基本原理 

b) 卷积与微分算子的对应关系

c)   CNN如何用于流场图像分析，如涡识别

案例实践：利用Neural ODE求解特定流体（案例数据代码提供给学员）

六、神经网络在湍流模拟中的应用

1、物理信息神经网络(PINN)

2、流动的拉格朗日结构提取与相互作用

a)   基于图片的涡旋特征提取

b)   基于图神经网络（GNN）的神经网络算法

3、嵌入物理信息的神经网络    

a)   基于几何对称性改造神经网络 

b) 基于拉格朗日结构和几何对称性的神经网络

案例实践：Python编程湍流的拉格朗日方法

1、流体力学的拉格朗日算法（案例数据代码提供给学员）

2、流体力学的拉格朗日神经网络（案例数据代码提供给学员）

七、神经网络在空气动力学中的应用

1、可压缩流体力学求解的数值方法和机器学习方法

a)   可压缩流体力学的数值方法

b)   神经网络在激波求解中的应用

2、高精度格式在神经网络中的实现

a)   高精度格式的主要思想和局限性

b)   基于高精度格式的机器学习算法

3、深度强化学习（Deep   Reinforcement Learning）的理论与算法

4、可压缩激波求解案例与编程实战

案例实践：Python编程求解可压缩流体力学方程

1、高精度格式求解可压缩流体力学方程（案例数据代码提供给学员）

2、深度学习模型求解可压缩流体力学方程（案例数据代码提供给学员）

八、流动生成与后处理

1、Tecplot可视化展示标量场、向量场等

2、Houdini展示渲染高保真流场

3、基于扩散模型（Diffusion   Model）的流动生成

4、动模态分解及流场预测

案例实践：Matlab编程实现DMD（案例数据代码提供给学员）

专题一：机器学习在智能复合材料中的应用与实践

4600

专题二：ABAQUS 复合材料建模技术与应用

4300

专题三：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

专题四：基于OpenFOAM 和深度学习驱动的流体力学计算与应用

4900

专题五：基于Fluent 和深度学习算法驱动的流体力学计算与应用

4900