深度强化学习（DRL）最近被广泛应用于物理和工程领域，因为它能够解决以前由于非线性和高维性而无法解决的决策问题。在过去的几年中，它已经在该领域的 计算力学 ，特别是在流体动力学中，最近在流动控制和形状优化中的应用。在这项工作中，我们进行了详细的审查现有的DRL应用流体力学问题。此外，我们提出了最近的结果，进一步说明在流体力学的DRL的潜力。每种情况下使用的耦合方法进行了介绍，详细介绍了它们的优点和局限性。我们的审查还侧重于比较与经典的方法为 最优控制 和优化。最后，描述了几个测试用例，说明在这一领域取得的最新进展。本出版物的目的是向希望用这些方法解决新问题的研究人员提供对DRL能力的理解，以及在流体力学方面的最新应用,在流体力学和机械工程领域，人们也面临着高维非线性问题。例如，使用计算模拟来测试几种不同的设计或配置已被证明是一种有用的技术。然而，探索的可能性的数量可以使这种搜索困难，因为它往往是不可行的，以评估所有的配置。因此，自动优化程序的帮助是必要的，以帮助找到最优的设计
背景
深度学习方法兴起已大量的应用于各类工程问题，针对CFD领域长期存在的基础模型复杂、运算量大、难以集成等瓶颈，有条件推进模拟方法的智能化发展。尤其是航天航空、海洋船舶、土木工程及能源动力等行业，有大量流体控制及优化设计的难题趋待解决。发掘此类方法的极限潜力仍需要一定的时间，特别是针对处理工业流体力学中无理论最优解的控制问题及优化设计。传统方法在流动控制及优化设计领域面临应对非线性及高维复杂性挑战，人工智能的飞速发展带来了新的希望，其中深度强化学习为解决流体控制及优化设计提供了一个崭新的手段，深度学习可将任务分拆，使得各种类型的机器辅助变成可能，可提高CFD的网格划分友好度、减少人工干预，提高湍流预测精度，实现快速数据或再生数据的可视化分析等。
近年来发过哪些顶刊以及方向：
JCP| Physics-informed neural networks：A deep learning framework for solve forward and inverse problems involves nonlinear partial differential equations
Nature communications| Deep learning for universal linear embeddings of nonlinear dynamics
ACM Digital Library| Learning Koopman invariant subspaces for dynamic mode decomposition
Computer Science| Deep learning and its application in physical phenomena
Science Direct| Deep Learning for Flow Prediction in Complex Engineering Applications
Journal of Fluid Mechanics| Reynolds averaged turbulence modelling using deep learning with embedded invariance
本课程围绕深度学习的基础理论与流体力学的应用展开，通过深度学习在流体力学中的应用案例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。
讲师介绍
主讲老师来自国内顶尖课题组，长期从事深度学习流体力学研究，和多个高校公司有深度学习流体力学项目合作，长期从事流体力学方向的培训讲解。
老师主要擅长领域：
流体流动预测模型
利用深度学习技术设计了一个基于卷积神经网络（CNN）和循环神经网（RNN）的流体力学模型。
使用大规模的流体动力学数据集对模型进行训练，包括不同流体介质、流速和流动条件下的流体流动情况。
通过调整网络结构和超参数，提高模型的准确性和泛化能力。
流场特征提取与分析
开发了一套流场特征提取算法，用于从复杂的流体流动数据中提取关键特征。
使用卷积神经网络对流场图像进行特征学习，提取出流速、压力、涡旋等流场特征。对提取的特征进行可视化和分析，帮助工程师深入理解流体流动的物理过程。多物理场耦合模拟
开发了一个多物理场耦合模拟框架，将流体力学模型与其他物理场模型（如热传导、结构力学）进行耦合。
通过深度学习技术实现了流体力学模型与其他物理场模型之间的信息交换和参数优化，实现多物理场的协同模拟。
课程目标
Science Technology
让学员掌握：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。
深度学习在流体力学应用
第一天
深度学习基础
第二天
有限元方法在流体力学中的应用
第三天
深度学习在流体力学中的应用案例分析
3. 深度学习在流体力学中的应用概述
3.1 神经网络在流体力学中的潜在应用
3.2 目前深度学习在流体力学领域的研究现状
3.2.1 流场预测
3.2.2 边界条件识别
3.2.3 湍流模拟
3.2.4 优化问题求解
4. 深度学习在流体力学中的应用案例分析
4.1 深度学习在流体力学中的流场预测
4.1.1 CNN 模型在流场预测中的应用
4.1.2 LSTM 模型在流场时间序列预测中的应用
4.2 深度学习在流体力学中的边界条件识别
4.2.1 卷积神经网络在边界条件识别中的应用
4.2.2 对抗生成网络在边界条件生成中的应用
4.3 深度学习在流体力学中的湍流模拟
4.3.1 GAN 模型在湍流模拟中的应用
4.3.2 强化学习在湍流控制中的应用
4.4 深度学习在流体力学中的优化问题求解
4.4.1 深度强化学习在流动控制中的应用
4.4.2 遗传算法与深度学习的结合应用
第四天
基于深度学习流场预测与湍流模拟
5. 实践项目一：流场预测
5.1 数据集准备与预处理
5.2 模型选择与构建
5.3 模型训练与评估
5.4 结果分析与优化
6. 实践项目二：边界条件识别
6.1 数据集准备与标注
6.2 模型设计与训练
6.3 边界条件识别模型的应用与验证
7. 实践项目三：湍流模拟
7.1 数据集准备与处理
7.2 基于深度学习的湍流模拟方法
7.3 模型验证与性能评估
8. 实践项目四：优化问题求解
8.1 优化问题建模
8.2 基于深度学习的优化方法
8.3 实际案例应用与效果评估
9. 深度学习与传统方法的比较与结合
9.1 深度学习与传统流体力学模拟方法的对比分析
9.2 深度学习与传统方法的结合应用案例
第五天
基于深度学习实操案例分析
10.深度学习在飞行器设计与优化中的应用
10.1 飞行器气动特性预测
10.1.1 CNN 模型在飞行器气动特性预测中的应用
10.1.2 GAN 模型在飞行器气动特性生成中的应用
10.2 飞行器结构优化
10.2.1 强化学习在飞行器结构优化中的应用
10.2.2 遗传算法与深度学习的结合在飞行器结构优化中的应用
11.深度学习在机器流体力学中的应用
11.1 机器气动特性模拟
11.1.1 LSTM 模型在机器气动特性时间序列预测中的应用
11.1.2 GAN 模型在机器气动特性模拟中的应用
11.2 机器流体场仿真
11.2.1 深度学习方法在机器流体场仿真中的应用
11.2.2 强化学习在机器流体场控制中的应用
12. 趋势与展望
12.1 深度学习在流体力学领域的潜在应用与发展方向
12.2 深度学习技术在流体力学领域的挑战与解决方案
培训特色
1、课程特色--全面的课程技术应用、原理流程、实例联系全贯穿
2、学习模式--理论知识与上机操作相结合，让零基础学员快速熟练掌握
3、课程服务答疑--主讲老师将为您实际工作中遇到的问题提供专业解答
授课时间
深度学习在流体力学应用培训时间：
2024.06.08-----2024.06.09（上午9:00-11:30 下午13:30-17:00）
2024.06.12------2024.06.13（晚上19:00-22:00）
2024.06.15------2024.06.16（上午9:00-11:30 下午13:30-17:00）
Part 7授课方式
通过腾讯会议线上直播，理论+实操的授课模式，老师手把手带着操作，从零基础开始讲解，电子PPT和教程开课前一周提前发送给学员，所有培训使用软件都会发送给学员，有什么疑问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
腾讯会议问题实时解答及学员反馈
培训费用及福利
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）
引用本次参会学员的一句话：
