堪称绝技！Comsol携手流/固体力学！打破边界，被誉为新时代奇迹！

深度学习作为一种新兴的机器学习技术，为流体科学的研究提供了新的思路和方法。通过对大量数据的学习和分析，深度学习模型可以自动提取特征和模式，为流体科学中的复杂问题提供解决方案。然而，深度学习在流体科学中的应用还面临一些挑战，需要进一步研究和探索。未来，深度学习与传统流体力学方法的结合将成为流体科学研究的重要方向，多模态数据的融合、模型的可解释性、实时预测和控制等将是深度学习在流体科学中发展的重点。相信随着技术的不断进步和研究的深入，深度学习在流体科学中的应用前景将更加广阔。

固体力学主要研究固体材料的变形、应力、应变以及材料在不同条件下的强度、刚度、稳定性等特性，其理论和方法广泛应用于工程、材料科学、机械设计、建筑结构等领域。面对复杂的力学问题，传统方法举步维艰，新兴的机器学习方法提供了新的思路和工具，有望解决复杂的科学问题。随着大数据技术的发展，数据驱动的固体力学研究逐渐成为了一个重要的研究方向，可以大量的实验模拟数据中获得物理方法难以获取的信息。通过引入人工智能方法，可探索固体力学领域在机器学习加持下的“老树开新花”。

深度学习在流体力学中的应用案例分析：分析深度学习在流体力学中的流场预测、边界条件识别、湍流模拟以及优化问题求解等方面的应用案例，深入了解其实际应用场景。

实践项目：包括流场预测、边界条件识别、湍流模拟以及优化问题求解等实践项目，通过动手操作，加深对深度学习与流体力学理论的理解，并培养实际问题解决能力。

主讲老师来自国内顶尖985高校实验室，擅长深度学习与流体力学研究，已在该领域研究有十多年经验，近些年发表SCI论文已有十几篇之多，擅长深度学习建模研究，流体力学中的深度学习方法，数据驱动的计算力学，有限元方法，CFD, OpenFOAM, ANSYS Fluent软件等操作。

本期培训的课程内容是为期五天的深度学习驱动流体力学培训课程，本期课程培训探讨了深度学习在流体力学领域的广泛应用，结合了理论基础与流体力学仿真实际操作，力求为学员提供全面的技术支持和实践经验。

第一天的课程重点在于深度学习与流体力学基础知识的构建，为后面四天的培训内容打好基础。同时还回顾了深度学习的基本概念及其网络架构，包括全连接神经网络（FCNN）、卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）、生成对抗网络（GAN）和深度强化学习（DQN）。学员们通过实际案例实践，学习如何从数据处理到模型预测的全过程，并掌握了经典流体力学的基本方程及其在工业领域中的应用。  

第二天聚焦于计算流体力学与人工智能的实际结合。探讨了数据驱动方法与传统CFD的区别，并深入介绍了Python在CFD数据处理中的应用。课程还涵盖了机器学习在CFD中的应用，包括有限体积的数值模拟和相干结构案例分析，以及如何利用物理信息神经网络（PINNs）解决Navier-Stokes方程等复杂问题。  

第三天的培训内容专注于基于OpenFOAM的流体力学仿真和深度学习驱动的应用。学员们学习了OpenFOAM的编译、安装与运行，掌握了如何使用OpenFOAM进行流体仿真操作与数据采集，并通过深度学习模型进行流体仿真数据的预测和训练，包括使用LSTM和深度强化学习（DQN）模型进行流体模拟。 

第四天的课程将焦点转向了ANSYS Fluent与深度学习的结合。介绍了ANSYS Fluent的安装与使用，以及如何利用Python与Fluent进行交互。学员们学习了ANSYS Fluent流体仿真数据的采集、生成与特征提取，并通过实际案例掌握了基于深度学习的ANSYS Fluent流体力学仿真应用。   

第五天则深入探讨了AI模型在流体力学领域的前沿应用、科研论文和源代码剖析，包括流场识别、预测、重构与优化，基于U-Net架构的非均匀稳定层流近似方法，扩散模型驱动的流体力学方法，图神经网络在CFD模型预测中的应用等。课程还涵盖了如何在HPC上耦合强化学习与CFD进行分布式联合仿真，提供了使用去噪扩散概率模型进行翼型流动模拟的不确定性替代模型等前沿技术和实际操作的指导。

1. 培养具备固体力学与机器学习技术知识的专业人才，学员们能够掌握机器学习方法应用于固体力学问题的方法。

2. 拓宽学员的国际视野，多讲解国际上的先进研究成果与代码的实现。培养具备跨学科整合能力的学员，使他们能够在固体力学与机器学习之间架起桥梁，开展创新性研究。

3. 揭示机器学习在固体力学中相比传统方法的优势，探讨其在材料力学性能预测、流场预测、表征图像与结构属性关系映射、求解和发掘偏微分方程等方面的研究进展和应用潜力，使学员深入理解其在实际科学问题中的应用场景和效果。

第一天

课程目标：了解经典机器学习方法，能够掌握scikit-learn中各类模型的使用方法，并用于固体力学中的应用

理论+实操内容(上午)

Ø 经典机器学习方法概述

介绍机器学习以及采用scikit-learn进行建模的步骤，以及重点介绍常用于力学问题的机器学习类型（如有监督学习和无监督学习）。

Ø 经典机器学习方法原理

主要介绍一些常用的有监督学习和无监督学习模型原理，以解释模型做出相应的预测的原因，以及解释相应scikit-learn建模过程中的超参数调整操作。

Ø 实例讲解

安装scikit-learn库以及必要的工具包、采用由易到难的实例代码讲解用scikit-learn进行建模、训练和测试等过程。

理论+实操内容(下午)

Ø 用于预测蠕变性能的“分治”机器学习方法

讲解从头实现机器学习数据驱动回归高温合金蠕变寿命（数据收集处理、机器学习模型搭建、模型训练与评估）

AM| Predicting creep rupture life of Ni-based single crystal superalloys using divide-and-conquer approach based machine learning

第二天

课程目标：了解神经网络，并能够使用TensorFlow框架从头实现数据驱动的神经网络训练。

理论+实操内容(上午)

Ø 神经网络概述

介绍神经网络及其应用，常见的神经网络的类型（前馈神经网络、卷积神经网络、循环神经网络等），以及神经网络在固体力学领域的广泛应用。

Ø 神经网络的构建模块

讲述神经网络的基本构建模块及其功能，如神经元、层、激活函数等核心组成部分。

Ø 基本环境搭建

指导学员如何搭建深度学习开发环境，包括安装TensorFlow、创建Python虚拟环境等必要的工具和库的安装。

Ø TensorFlow框架及其计算

讲述如何读取存储数据文件，到数据类型、矩阵变换和tensor的常用计算；介绍TF 1.x和TF2.x框架的特点及其构建方法。

理论+实操内容(下午)

Ø 深度学习从微观结构中识别物理信息

讲解利用卷积神经网络提取几何必须位错估计图中的隐含微观信息，并从中获取总位错密度的分布。

IJP| Extracting dislocation microstructures by deep learning

Ø 数据驱动晶体取向识别

讲解卷积神经网络从晶体材料的表征图像中识别晶体材料取向。

npj CM| A machine learning approach to map crystal orientation by optical microscopy

Ø 深度学习预测加载-形变路径

讲解采用循环神经网络预测不同应变加载路径下的实时应力和塑性能演变规律

PNAS| Deep learning predicts path-dependent plasticity

第三天

课程目标：认识物理信息神经网络，基本掌握物理信息神经网络。

理论+项目实操(上午)

Ø PINN内容概述

介绍物理信息神经网络（Physics-Informed Neural Networks，PINN）基本概念，以及作为神经网络新兴方法分支的独特之处。

Ø PINN的应用

重点介绍PINN几个具体应用领域，例如，材料载荷、裂纹扩展、热流动力学、流体力学等。

Ø PINN方法原理

重点讲解PINN解偏微分方程的方法原理，包括正问题和逆问题的具体概念和求解方法。

Ø PINN原文代码解读

重点对PINN原文及论文代码对照解读

JCP| Physics-informed neural networks：A deep learning framework for solve forward and inverse problems involves nonlinear partial differential equations.

理论+项目实操(下午)

讲解利用物理信息神经网络从已知流体控制方程和浓度场获得隐藏压力和速度场。

Science| Hidden fluid mechanics learning velocity and pressure fields from flow visualizations.

第四天

课程目标：基本掌握物理信息神经网络能够从头思考并构建常见的多约束损失函数，掌握物理信息神经网络在固体力学中的应用。

理论+项目实操(上午) 

Ø 多约束损失架构、改进损失函数的PINN

讲解在解决具有复杂约束的工程问题时如何构建一个能够同时满足真实数据条件、初值条件、偏微分方程结构以及边界条件的多约束损失函数。

Ø 孔隙弹性基准问题

利用PINN方法来求解单相和多相流体在多孔介质中的耦合流动和变形方程

CMAME| Physics-informed neural network simulation of multiphase poroelasticity using stress-split sequential training

理论+项目实操(下午)

Ø 动力学问题解析

讲解一个改进的具有混合变量输出的物理信息神经网络用于模拟弹性动力学问题。

JEM| Physics-Informed Deep Learning for Computational Elastodynamics without Labeled Data

第五天

课程目标：了解数据驱动发现微分方程，基本掌握发掘微分方程的数据驱动原理和方法。

理论+项目实操(上午)

Ø 机器学习从数据中发现偏微分方程

讲解如何实现用稀疏回归从大量模拟数据中挖掘隐含的偏微分方程

SA| Data-driven discovery of partial differential equations

介绍将非线性动力学方法的稀疏识别应用于数据驱动的模型发现的工具

PySINDy: A comprehensive Python package for robust sparse system identification

理论+项目实操(下午)

Ø 随机系统拉格朗日量

讲解从观测数据中发现随机激励的拉格朗日密度和扩散系数的自动数据驱动框架

CMAME| Data-driven discovery of interpretable Lagrangian of stochastically excited dynamical systems

Ø 随机偏微分方程

讲解一种结合了随机微积分、变分贝叶斯理论和稀疏学习的新型偏微分方程发掘方法

CMAME| Discovering stochastic partial differential equations from limited data using variational Bayes inference

报名费用

深度学习流体力学/深度学习固体力学

费用：每人每班￥4980元 （含报名费、培训费、资料费）

优惠政策

优惠一:  两门同时报9080元

优惠二：提前报名缴费学员+转发到朋友圈或者到学术交流群可享受每人300元优惠（仅限15名）

报名费用可开具正规报销发票及提供相关缴费证明、邀请函，可提前开具报销发票、文件用于报销。

课后学习完毕提供全程录像视频回放，针对与培训课程内容 进行长期答疑，微信解疑群永不解散，参加本次课程的学员可免费再参加一次本单位后期组织的相同的 专题培训班（任意一期都可以）。

• 在培训中进行答疑和问题互动，以帮助学员深入理解课程内容和解决实际问题。

• 学员可以提出疑问，讲师将提供详细解答，特别是针对技术难点和复杂算法。

• 通过小组讨论和案例分享，学员将有机会交流经验，获得实时反馈，并进行实践操作演示。

• 展示学员的学习成果，并提供进一步的提升建议和资源支持，为学员在未来的学习和工作中提供帮助和指导。

通过腾讯会议线上直播，从零基础开始讲解，1300余页电子PPT和教程＋预习视频提前发送给学员，所有培训使用软件都会发送给学员，附赠安装教程和指导安装，培训所有事宜请自行联系刘老师确认（见以下二维码）。培训采取开麦共享屏幕和微信群解疑，学员和老师交流、学员与学员交流，培训完毕后老师针对与培训内容长期解疑，培训群不解散，往期培训学员对于培训质量和授课方式一致评价极高。