CMES期刊在2023年发表了多篇精选文章，我们重新梳理了这些内容，本期合集为探寻力学之美，与大家共同回顾。点击文中图片，查看原文。
1. CMES主编最新综述“深度学习在计算力学中的应用：全面综述，最新进展以及经典之作”
本文回顾了人工神经网络和深度学习在计算力学中的应用进展。混合方法和纯机器学习方法都得到了讨论。混合方法结合传统的PDE离散化和机器学习ML方法，有助于模拟复杂非线性关系、降低模型阶数和提高模拟效率。纯ML方法如物理信息神经网络（PINN）可用于解决非线性PDE。LSTM和注意力架构、现代和广义优化器以及高斯过程也得到了广泛综述。本书不仅针对专家，还适合对计算力学和深度学习不熟悉的初学者，旨在将他们快速带入研究前沿。
引用信息：Vu-Quoc, L., Humer, A. (2023). Deep Learning Applied to Computational Mechanics: A Comprehensive Review, State of the Art, and the Classics. CMES-Computer Modeling in Engineering & Sciences, 137(2), 1069–1343.
扫码阅读原文
2. 开源代码助力初学者深入探索拓扑优化研究
拓扑优化是一种数值技术，用于在给定设计域内寻找最佳材料布局。对于初学者来说，开源代码是学习拓扑优化的最佳选择，因为它详细阐述了方法的实现，并易于吸引更多人采用和扩展。本文总结了带惩罚的各向同性固体材料、进化方法、水平集方法、移动可变形部件/空腔方法、多尺度拓扑优化方法等开源代码和相关文献。根据难易程度，代码分为五个等级，方便初学者快速入门和了解实现形式。
引用信息：Wang, Y., Li, X., Long, K., Wei, P. (2023). Open-Source Codes of Topology Optimization: A Summary for Beginners to Start Their Research. CMES-Computer Modeling in Engineering & Sciences, 137(1), 1–34.
扫码阅读原文
3. 高速列车车头形状的空气动力学多目标优化研究进展
本研究对高速列车气动多目标优化进行了综述。首先，研究了列车车头参数对空气动力学性能的影响，总结了参数化方法和多目标优化算法的优点和局限性。其次，使用代理模型研究了HST的气动多目标优化技术，并分析了不同样本填充准则的影响。最后，提出了未来的研究方向，如特征参数的智能识别、多工况协同优化和替代模型的样本填充准则。
引用信息：Dai, Z., Li, T., Zhang, W., Zhang, J. (2023). Research Progress of Aerodynamic Multi-Objective Optimization on High-Speed Train Nose Shape. CMES-Computer Modeling in Engineering & Sciences, 137(2), 1461–1489.
扫码阅读原文
4. 深度学习在地质灾害预测中的最新进展
地质灾害是危害人类生命和财产的严重地质问题，预测与防治工作具有极大挑战性。随着数据驱动模拟技术的进步，尤其是深度学习在地质灾害预测领域的应用，这一领域取得了显著进展。本文概述了预测地质灾害常用的数据源和深度神经网络，旨在为相关研究提供最新信息。
引用信息：Wang, J., Sun, P., Chen, L., Yang, J., Liu, Z. et al. (2023). Recent Advances of Deep Learning in Geological Hazard Forecasting. CMES-Computer Modeling in Engineering & Sciences, 137(2), 1381–1418.
扫码阅读原文
5. 综述：中智学理论在土木工程领域的发展与应用
本文介绍了中智学理论在土木工程四个关键领域的最新进展：中性决策理论、中性边坡稳定性评价、中性岩石节理粗糙度系数以及结构优化。这些应用表明，中智学理论在处理土木工程中的不确定性和不一致性问题方面具有显著优势，现有的应用方法具有高效性和实用性。在未来，这一理论的应用范围将进一步扩展，为解决土木工程问题提供更多可能性。
引用信息：Zhang, Z., Ye, J. (2023). Developments and Applications of Neutrosophic Theory in Civil Engineering Fields: A Review. CMES-Computer Modeling in Engineering & Sciences, 135(2), 887–916.
扫码阅读原文
CMES 期刊介绍
—————
CMES期刊专注于刊发具有合理永久价值的原创研究论文和综述，涉及固体、流体、气体、生物材料和其他连续体的计算力学、计算物理、计算化学和计算生物学等领域。欢迎新颖的计算方法和最先进的计算算法，例如软计算、基于人工智能的机器学习方法和计算统计方法。
主编：
Prof. Shaofan Li
University of California-Berkeley
Prof. Loc Vu-Quoc
University of Illinois at Urbana-Champaign
Prof. Kun Zhou
Nanyang Technological University
2022 Impact Factor | 2022 Citescore |
2.4 | 3.5 |
扫码进入期刊主页
版权声明
本文由泰克赛思南京办公室负责编译。中文内容仅供参考，一切内容以英文原版为准。
如需转载，请联系 cmes@techscience.com
