在人工智能与复合材料技术融合的背景下,复合材料的研究和应用正迅速发展,创新解决方案层出不穷。从复合材料性能的精确预测到复杂材料结构的智能设计,从数据驱动的材料结构优化到多尺度分析,人工智能技术正以其强大的数据处理能力和模式识别优势,推动复合材料领域的技术进步。据最新研究动态,目前在复合材料领域的机器学习应用主要集中在以下几个方面:
1.材料设计优化:机器学习可以用于预测复合材料的微观结构和宏观性能,帮助设计出更轻、更强、更耐用的材料。
2.制造过程控制:机器学习可以用于预测和控制制造缺陷,优化生产参数,提高生产效率。
3.性能预测与模拟:通过对复合材料的力学性能、热性能等进行模拟和预测,机器学习可以帮助研究人员和工程师更好地理解材料在不同条件下的行为。
4.缺陷检测:利用图像识别和模式识别技术,机器学习可以自动识别复合材料中的微小缺陷,提高检测的准确性和效率。
5.寿命预测与健康管理:机器学习可以分析复合材料在实际使用中的性能退化数据,预测其剩余使用寿命,为维护和更换提供决策支持。
6.数据驱动的材料发现:通过分析大量的实验和模拟数据,机器学习有助于发现新的复合材料配方和结构,加速新材料的研发过程。
7.多尺度建模:机器学习可以辅助进行多尺度建模,从原子尺度到宏观尺度,为复合材料的性能预测提供更全面的视角。
为促进科研人员、工程师及产业界人士对智能算法在复合材料设计领域应用技术的掌握,特举办“机器学习在智能复合材料中的应用与实践”以及“ABAQUS复合材料建模技术与应用”专题培训会议,本次培训会议主办方为北京软研国际信息技术研究院,承办方互动派(北京)教育科技有限公司,具体相关事宜通知如下:
专题一 (直播四天) | (详情内容点击上方名称查看) 2024年11月02日-11月03日 2024年11月09日-11月10日 |
专题二 (直播四天) | (详情内容点击上方名称查看) 2024年10月19日-10月20日 2024年10月26日-10月27日 |
专题三 (直播四天) | (详情内容点击上方名称查看) 2024年10月12日-10月13日 2024年10月19日-10月20日 |
专题四 (直播五天) | (详情内容点击上方名称查看) 2024年10月26日-10月27日 2024年11月01日-11月03日 |
专题五 (直播五天) | (详情内容点击上方名称查看) 2024年10月26日-10月27日 2024年11月01日-11月03日 |
培训对象
材料科学、电力工业、航空航天科学与工程、有机化工、无机化工、建筑科学与工程、自动化技术、工业通用技术、汽车工业、金属学与金属工艺、机械工业、船舶工业、流体力学、动力工程、石油天然气工业、环境科学与资源利用等领域的科研人员、工程师,以及从事工业自动化、机器人、智能制造等相关行业的从业者和跨领域研究人员。
培训讲师
1
机器学习与复合材料讲师
由来自全国知名高校教授/博导,国家级青年人才带领团队讲授。长期从事机器学习与智能复合材料与结构的研究与开发,近两年以第一/通讯作者发表SCI论文20余篇,包括多个中科院一区TOP期刊发表高水平论文。发表论文谷歌引用次数超过3000次,h-index为27。团队导师担任省内力学学会理事、SCI期刊Nano Materials Science和Buildings青年编委和Frontiers in Materials客座编辑,以及超过70个SCI期刊的长期审稿人。
2
ABAQUS 讲师
由全国重点大学、国家“985工程”、“211工程”重点高校教授及团队成员讲授。在国内外重要杂志发表论文二十余篇,曾先后主持和参与完成国家专项、国家自然科学基金、省基金项目二十余项;拥有20余年复合材料结构有限元数值模拟经验,在复合材料有限元力学分析设计、复合材料断裂和损伤过程的数值模拟和实验研究等方面具有深厚的造诣。
3
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。
4
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。
5
Fluent 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。
擅长领域: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。
培训大纲
机器学习在智能复合材料中的应用与实践
目录 | 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 |
部分案例图示:
ABAQUS复合材料建模技术与应用
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! |
部分案例展示:
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。 |
部分案例展示:
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 | |
机器学习与流体力学入门 | 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) | |
人工智能深度学习模型与流场超分辨技术 | 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) | |
深度学习模型在流体力学中的应用 | 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) | |
流动可视化与新兴技术 | 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) |
部分案例展示:
课程特色
01
机器学习与复合材料专题
1.多维度课程设计:培训不仅涵盖了机器学习的基础模型,还特别强调了这些模型与复合材料研究的融合,提供了全面的视角来理解机器学习在材料科学中的应用。
2.实践与理论相结合:通过实例分析,如纳米材料增强复合材料的特征工程,以及不同回归技术在复合材料数据中的应用,使学员能够将理论知识应用于实际问题解决中。
3.技术深度与广度:课程内容从基础的线性回归和多项式回归,到更高级的集成学习、支持向量机和神经网络,逐步深入,确保学员能够掌握不同复杂度的机器学习技术。
4.模型评估与优化:强调了模型评估的重要性,包括回归模型评估指标和交叉验证技术,以及如何使用工具包如Optuna进行超参数调整,帮助学员优化模型性能。
5.前沿技术探索:介绍了XGBoost和LightGBM等先进的机器学习算法,并探讨了它们的模型解释性技术,使学员能够理解并应用这些前沿技术。
6.神经网络与深度学习基础:提供了神经网络的基础知识,包括前向传播、损失函数和反向传播算法,以及使用PyTorch构建和训练神经网络的实践。
7.可解释性与可视化:特别强调了模型的可解释性,通过SHAP方法来解释模型预测,以及如何将研究成果进行可视化展示,增强了研究的透明度和说服力。
8.论文复现与写作指导:通过复现SCI论文中的机器学习应用,提供了论文写作和研究创新点分析的指导,帮助学员提升科研能力和论文发表技巧。
02
ABAQUS 专题
1. 理论筑基:由国家重点高校老师由浅入深得讲授各个模块要点难点、用到的方法,为实现后续的仿真分析加强理论依据。
2.实践为本:由组内最擅长软件操作的讲师详细讲授各个模块模拟实现各种算例的过程、模拟结果的分析,为实际课题与论文增添仿真色彩。
03
OpenFOAM 专题
1.前沿技术深度聚焦:结合大量实战案例与项目演练,聚焦人工智能技术在流体力学领域的最新研究进展。
2.全方位技能提升:涵盖经典流体力学、机器学习、深度学习、实验流体力学、计算流体动力学、时空超分辨率、深度强化学习等核心知识,全方位提升您的流体力学计算与应用能力。
3.专业优质资源:提供丰富案例数据与代码资源,确保学习效果与实践体验。
04
Fluent 专题
1.全方位技能提升:涵盖先进的计算方法(如伪谱法、CNN、GAN、Neural ODE、PINN等)、软件工具应用(Fluent软件、Python编程)、深度学习流场超分辨率、神经网络在湍流模拟中的应用(物理信息神经网络(PINN)和基于图神经网络(GNN))、神经网络在空气动力学中的应用、流动生成与可视化技术,全方位提升您的流体力学计算与应用能力。
2.专业优质资源:提供了多个经典案例实践机会,提供Python编程实现和案例数据代码的资源,确保学习效果与实践体验。
3.新兴技术探讨:课程还包括了流体力学与深度学习融合的新兴技术,如基于扩散模型的流动生成、动模态分解及流场预测等核心知识的探讨,为学员提供了前沿技术的视野。
报名须知
时间地点
机器学习在智能复合材料中的应用与实践
2024年11月02日-11月03日
2024年11月09日-11月10日
在线直播(授课四天)
ABAQUS复合材料建模技术与应用
2024年10月19日-10月20日
2024年10月26日-10月27日
在线直播(授课四天)
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
2024年10月12日-10月13日
2024年10月19日-10月20日
在线直播(授课四天)
基于OpenFOAM和深度学习驱动的流体力学计算与应用
2024年10月26日-10月27日
2024年11月01日-11月03日
在线直播(授课五天)
基于Fluent和深度学习算法驱动的流体力学计算与应用
2024年10月26日-10月27日
2024年11月01日-11月03日
在线直播(授课五天)
报名费用
(含报名费、培训费、资料费)
课程名称 | 价格(元) | |
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 | 3900 | |
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 |
优惠一:
专题一、二2024年10月1日前报名缴费可享受200元早鸟价优惠;
老学员或两人(含)以上团报可享受每人额外300元优惠
优惠二:
专题三2024年10月1日前报名缴费可享受300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500元优惠;
优惠三:
专题四、五2024年10月1日前报名缴费可享受300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300元优惠
【注】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。如需开具会议费的单位请联系招生老师索取会议邀请函;
增值服务
1、凡报名学员将获得本次培训电子课件及案例模型文件;
2、培训结束可获得本次所学专题课程全部无限次回放视频;
3、参加培训并通过试的学员,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《智能复合材料结构设计与应用》《ABAQUS复合材料建模应用工程师》《深度学习流体力学计算与应用工程师》专业技能结业证书;
联系方式