在深度学习与流体力学融合的背景下，科研边界不断拓展，创新成果层出不穷。从物理模型融合到复杂流动模拟，从数据驱动研究到流场智能分析，深度学习正以前所未有的力量重塑流体力学领域。目前在Nature和Science杂志上发表的深度学习驱动的流体力学方面的论文主要集中以下几个方面：
1、流体力学方程的求解：利用深度学习模型来求解流体力学的基本方程，如纳维-斯托克斯方程。
2、湍流模拟：应用深度学习技术来改进湍流模型，提高湍流模拟的准确性和效率。
3、流场重建与超分辨率：使用深度学习算法对流场数据进行超分辨率重建，提升现有数据的分辨率，以更精确地模拟和分析流体流动。
4、流动特征识别与分类：利用深度学习模型来识别和分类流体流动中的关键特征。
5、流动控制与优化：应用深度学习进行流动控制策略的优化，以提高流体机械的性能。
6、计算流体动力学（CFD）与机器学习的结合：将深度学习集成到传统的CFD软件中，以提高计算效率和精度。
7、物理约束神经网络：开发满足物理守恒定律的神经网络模型。
8、激波和边界层过渡：利用深度学习预测和分析流体中的激波以及边界层的过渡现象。
9、实验数据与模拟数据的融合：使用深度学习来提高流体力学模型的预测能力。
这些研究性成果不仅推动了流体力学领域的科学发展，也展示了深度学习技术在解决复杂流体动力学问题中的潜力。为促进科研人员、工程师及产业界人士对深度学习在流体力学领域应用的技术掌握，北京软研国际信息技术研究院特举办本次专题培训会议，承办方互动派（北京）教育科技有限公司，会议会务合作单位为北京中科万维智能科技有限公司，具体相关事宜通知如下：
专题一 (直播五天) | 2024年11月30日-12月01日 2024年12月06日-12月08日 |
专题二 (直播五天) | 2024年12月13日-12月15日 2024年12月21日-12月22日 |
其他精选课程
专题一 （直播四天） | (详情内容点击上方名片查看） 2024年11月23日-11月24日 2024年11月30日-12月01日 |
专题二 （直播四天） | (详情内容点击上方名片查看） 2024年11月23日-11月24日 2024年11月30日-12月01日 |
适用人群
流体力学相关领域的科研人员，力学、航空航天科学与工程、工业通用技术及设备、动力工程、船舶工业、建筑科学与工程、石油天然气工业、机械工业、汽车工业、环境科学与资源利用等领域的工程师，工业自动化、机器人、智能制造等相关行业从业者，跨领域研究人员。
讲师介绍
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。
Fluent 讲师
国家“985工程”重点高校工程系教授，主要从事流体力学和数据驱动的建模仿真研究，近年来发表SCI论文30余篇，授权2项发明专利，出版英文学术专著一部，并且担任五个国际期刊编委。
研究方向包括：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、多相流动与传热传质等。
培训大纲
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 |
流体力学基础 | 一、流体力学基础理论与编程实战 1、流体力学的主要内容 2、不可压缩流体力学的基本方程 3、Navier–Stokes方程的数值求解介绍 4、有限体积法与有限差分法介绍 案例实践： 1、Matlab编程实现有限差分（案例教学） 2、使用深度学习框架（如TensorFlow或PyTorch）进行流体力学问题的案例 例如使用神经网络进行流场重建（案例教学） 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软件对两相流求解 5、Fluent仿真后处理 案例实践： 1、圆柱绕流、喷雾蒸发的Fluent求解流程（案例教学） 2、讨论Fluent与深度学习结合的潜力，如使用深度学习优化Fluent的网格划分和参数估计（案例教学） |
线性代数数据处理 | 三、机器学习线性代数基础与数据处理 1、了解Python语言的特征，特别是向量表示 2、数据分布的度量 3、特征值分解进行主成分分析PCA 4、奇异值分解SVD 5、数据降维 基于Python语言的CFD数据压缩（案例教学） |
人工智能深度学习基础 | 四、人工智能基础理论与优化方法 1、基本概念、神经网络的第一性原理 2、感知机模型 3、激活函数分类介绍 4、损失函数分类介绍 5、优化算法的分类介绍 案例实践：Python实现基础网络架构 1、 梯度下降算法的Python实现 2、二阶函数极值问题求解（案例教学） 3、使用生成对抗网络（GANs）提高流场分辨率（案例教学） |
残差神经网络 | 五、利用残差神经网络求解常微分方程 1、残差神经网络（ResNet）介绍 2、利用ResNet求解常微分方程(NeuralODE) 3、ResNet在解决多相流和多尺度流体问题中的应用 Neural ODE与流体力学方程求解（案例教学） 5、使用Neural ODE求解流体力学问题，如流场的动态演化（案例教学） |
卷积神经网络(CNN) | 六、卷积神经网络与流动特征提取 1、卷积的定义与特定 2、卷积神经网络的基本结构 3、CNN如何用于流场信息预测分析，如湍流传热预测（案例教学） |
物理融合神经网络 | 七、物理融合神经网络在湍流模拟中的应用 1、物理融合的神经网络(PINN)介绍 2、PINN的训练与稳定性 3、PINN求解公式中的系数 案例实践：二维机翼流场的模拟预测（案例教学） |
流动控制 | 八、利用强化学习实现流动控制 1、强化的核心概念—马尔可夫决策过程 2、Q-learning介绍 3、利用强化学习实现2D 卡门涡街的流动控制（案例教学） |
不确定性分析 | 九、利用UQnet对预测结果的不确定性进行分析 1、不确定性量化定义和重要性 2、常见的不确定性量化方法 3、概述 UQnet 和 PI3NN 方法的重要性 4、UQnet 简介和核心方法：PI3NN 的基本原理 5、使用 UQnet 进行对实际案例进行不确定性量化分析，如在复杂流动问题中评估模型的预测不确定性。（案例教学） |
培训特色
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。
1、前沿技术融合：结合了传统的流体力学理论与最新的深度学习技术，提供了一个跨学科的学习平台，让学员能够掌握如何将现代AI技术应用于传统工程领域。
2、实战案例驱动：通过丰富的案例实践，如Matlab编程、TensorFlow或PyTorch框架应用，以及Fluent软件的操作，让学员在实际操作中学习和掌握理论知识。
3、深度学习与流体力学的深度结合：特别强调了深度学习在流体力学问题中的应用，如流场重建、网格划分优化等，这些内容能够帮助学员在流体力学领域实现技术突破。
4、全面的技术栈覆盖：从基础的线性代数、数据处理，到复杂的人工智能理论和优化方法，再到残差神经网络和卷积神经网络应用，培训内容覆盖了从基础到高级的多个技术层面。
5、物理融合神经网络（PINN）的应用：介绍了物理融合神经网络在湍流模拟中的应用，这是一种将物理定律嵌入到神经网络架构中的创新方法。
6、强化学习在流动控制中的应用：提供了强化学习在流动控制中的实际应用案例，如2D卡门涡街的流动控制，这是流动控制领域的一个新兴研究方向。
7、不确定性量化分析：通过UQnet和PI3NN方法，教授学员如何对预测结果进行不确定性分析，这对于提高模型的可靠性和预测精度至关重要。
报名须知
时间地点
基于OpenFOAM和深度学习驱动的流体力学计算与应用
2024年11月30日-12月01日
2024年12月06日-12月08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12月07日-12月09日
2024年12月14日-12月15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：基于OpenFOAM 和深度学习驱动的流体力学计算与应用 | 4900 | |
专题二：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：
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；
优惠二：
2024年11月15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、凡参加本期专题二课程学员本人可免费参加一次由本单位举办的相同专题的课程；
4、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
官方联系人：柏老师
扫码添加vx咨询报名（辛苦备注咨询课程名称）
【注】开课前一周会务组统一发送开课通知；开课前一天会将直播链接及上机账号发至您微信。
如何报名、缴费？
1、致电专门负责行政招生的老师报名，联系方式见本文件。
2、填写报名回执表发送到专门负责行政招生工作的老师。
3、缴费支持对公转账、个人垫付（垫付费用可开具垫付证明，对公到账后实时退还垫付的费用。
