卷积神经网络在空气动力学中的应用：预测翼型升力系数
本研究探索使用 DeepONets 方法推断未知气动翼型的流场并优化其形状，结果表明 DeepONets 非常适合生成未知形状的高准确度解决方案，可以在毫秒级时间内准确推断压强、密度和速度场等信息，为气动设计提供了极大的便利。
Feb, 2023
本研究探讨了深度学习模型在推断雷诺平均 Navier-Stokes 方程的解中精度的问题，着重于现代化的 U 形网络架构，并评估了大量经过训练的神经网络，特别是说明了训练数据大小和权重数量对解的精度的影响。结论表明，通过我们的最佳模型，我们对于一系列之前从未见过的翼型形状得到平均相对压力和速度误差小于 3％。此外，为确保可重复性，并为对物理问题深度学习方法感兴趣的研究人员提供一个起点，我们公开了所有源代码。虽然本研究集中于 RANS 解，但神经网络架构和学习设置非常通用，并适用于笛卡尔网格上广泛范围的偏微分方程边界值问题。
Oct, 2018
本文提出了一种元学习方法，通过使用模型无关的元学习器，能够在仅处理少量特定任务的数据的情况下，提高通过机器学习方法解决计算流体动力学中复杂偏微分方程的模型在未知样本上的表现，同时保持效率。
Jun, 2023
本研究提出了一种有利于评估不同卷积神经网络体系结构的系统性语言，该语言能够在训练前进行比较，本研究使用该语言在两个具体的基于计算机视觉的物理问题上，解决了事件顶点查找和强子多重性分类问题，同时提取了优化网络架构中的几个架构属性，使用机器学习模型对其进行了预测。
Jan, 2020
本研究在深度学习的基础上，采用图神经网络对二维定常不可压纳维尔 - 斯托克斯方程在不同机翼几何形状下的解进行逼近，同时测试模型表现在体积和表面量如壁面剪切应力或等压力等的逼近性能，并推导出机翼的提升力和阻力等全局系数进行设计探索。
May, 2023
利用几何理论，我们提出了一种将黎曼几何特征结合到深度学习模型中，以预测机翼表面的压力系数分布，实验结果表明，与最先进的深度注意力网络相比，我们的方法能够将压力系数的预测均方误差平均降低 8.41%。
Dec, 2023
通过结合飞机引擎领域和神经网络领域的领域知识，我们提出了一种策略，能够实时预测引擎性能参数，并且在预测准确性、计算效率、建模复杂性和数据依赖性之间取得理想平衡。我们通过精心设计网络结构、调节内部信息流，并采用四种不同的特征融合方法和创新的损失函数公式来实现这一目标。通过对两个不同数据集的全面验证，实验证明了我们的策略的有效性和健壮性，并且相较于传统的黑盒机器学习方法，我们的模型具有更好的解释性。
Jun, 2024
该研究论文描述了一种使用卷积神经网络自动解读驾驶舱仪表的机器学习方法，通过反演仿射变换并从仪表图像中推断飞机状态。通过合成转弯 - 滚转指示器的图像进行验证，该研究引入了一些方法，例如从单个图像生成数据集、用于最佳无噪训练的 “清洁训练原则”，以及用于从分类数据进行连续值预测的卷积神经网络插值。此外，它还提供了超参数优化和机器学习系统软件工程方面的见解。
Dec, 2023
本文提出了一种基于少量位置布置的压力传感器的数据驱动空气动力学力预测模型，包括线性项和非线性校正，其中线性项通过减少的基础重构预测表面压力分布，而非线性项则是视情况而定的人工神经网络，用于提高精度。该模型在模拟和实验数据中被验证为快速准确地预测无人机的气动力。
May, 2023