本文介绍了将 CFD 和深度学习结合的 CFDNet 框架，用于加速雷诺平均纳维 - 斯托克斯模拟的收敛，加速效果达到 1.9-7.4 倍。

May, 2020

提出 DeepCFD 模型，基于卷积神经网络，有效地逼近非均匀稳态层流的问题，从真实数据中学习 Navier-Stokes 方程的完整解，可在低误差率的情况下加速高达三个数量级。

Apr, 2020

提出了一种新的训练方法，用于减少维数和建模三维湍流的时空动力学，利用卷积自编码器和卷积 LSTM 神经网络组合，通过严格的基于物理的统计测试评估了湍流场的质量，并表明这种训练方法在计算资源开销的小部分情况下，生成了具有物理一致性的湍流场。

Feb, 2019

采用端到端深度学习方法，提高了计算流体动力学中建模二维湍流流动的逼近精度，在直接数值模拟和大涡模拟中实现 8-10 倍于基线求解器的空间精度，具有 40-80 倍的计算速度加速，并保持稳定性，可适用于不同强度和涡量值的流量。

Jan, 2021

本研究介绍了一种能够从降维参数集合综合流体模拟的新型生成模型，采用卷积神经网络进行训练，通过学习数据的代表性特征，能够对训练数据集进行精确近似而同时提供可信的插值。该模型经过优化，实现了全时刻无发散，能够处理复杂参数化并通过潜在空间积分进一步模拟。其模型包括多种流体行为，可用于模拟加速、流体插值、时间重采样、潜在空间模拟及流体模拟数据压缩，重建速度场比外部 CPU 求解器重复模拟节省 700 倍时间，压缩率达到 1300 倍以上。

Jun, 2018

本研究提出了一种模型无关的计算流体动力学仿真方法，采用聚类神经网络结构，并与基于模型的方法作对比，结果表明该方法与之几乎同样精确，但速度快一个数量级，易于应用，在仿真简化和加速方面具有潜在的应用价值。

Jan, 2019

本文开发了一个混合（图）神经网络，利用传统的图卷积网络和内嵌可微流体动力学模拟器相结合，在利用较粗略的问题表示进行实际 CFD 模拟的同时，通过结合实际 CFD 模拟器和图网络，我们展示了我们能够很好地推广到新的情况并受益于神经网络 CFD 预测的显着加速，同时还大大优于单独的粗略的 CFD 模拟。

Jul, 2020

这项工作提出了一种数据驱动的方法，结合深度学习和标准求解器的精度，通过解决大型稀疏线性系统来快速高度逼真地模拟不可压缩的欧拉方程，得到比最近提出的数据驱动方法更好的 2D 和 3D 模拟结果，并展示了良好的泛化性能。

Jul, 2016

本文提出了一种新颖的基于 PointNet 架构的深度学习框架，用于在几何形状无规则的区域中进行流场预测，该方法实现了在边界平滑性和小尺度几何变化检测方面的优化，并且能够比传统 CFD 解算器快数百倍且保持较高的准确度。

Oct, 2020

提出一种创新的基于注意力的双通道网络方法，通过使用双通道架构和注意力特征融合模块，实现对三维流体模拟的精确预测和流体 - 固体耦合问题的优化。

Dec, 2023