压缩卷积 LSTM：一种高效的深度学习框架，用于模拟高保真度的三维湍流

Feb, 2019

压缩卷积 LSTM：一种高效的深度学习框架，用于模拟高保真度的三维湍流

Compressed Convolutional LSTM: An Efficient Deep Learning framework to Model High Fidelity 3D Turbulence

Arvind Mohan, Don Daniel, Michael Chertkov, Daniel Livescu

TL;DR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。

Abstract

High-fidelity modeling of turbulent flows is one of the major challenges in computational physics, with diverse applications in engineering, earth sciences and astrophysics, among many others. The rising populari

turbulent flows computational physics data-driven convolutional autoencoder convolutional lstm

发现论文，激发创造

通过深度序列学习模型模拟三维各向同性湍流的时空实现

本文使用数据驱动的方法，应用前沿的深度学习技术模拟三维湍流，考虑流体的物理约束，并使用向量量化自编码器等方法降低数据维度，应用 Transformer 网络预测流体运动趋势，所得结果优于其他网络，但不能完美还原小幅动态。

Dec, 2021

用深度卷积循环自编码器学习流体系统低维特征动态

本研究提出一种基于深度学习的非线性模型降维策略，通过深度卷积自编码器和 LSTM 网络构建模块化模型，实现繁重计算任务中的模型降维，同时保持计算效率和系统稳定性。

Aug, 2018

Lat-Net: 使用深度神经网络压缩晶格玻尔兹曼流模拟

通过使用深度神经网络和卷积自动编码器，本研究提出了一种名为 Lat-Net 的压缩 Lattice Boltzmann 流动模拟的方法，可以大大减少计算时间和内存使用，并且可以推广到大型网格大小和复杂几何形状。

May, 2017

DeepCFD：利用深度卷积神经网络高效稳态层流近似计算

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

使用卷积网络加速欧拉流体模拟

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

面向物理学信息的深度学习在湍流流场预测中的应用

使用基于物理原理的 TensorFlow-net 深度学习模型，可以准确预测高效非线性动力学物理场，并且满足保守质量、模拟湍流动能和频谱等物理特征。

Nov, 2019

可微湍流 II

利用可微流体模拟器和深度学习模型，开发了一种将深度学习模型整合到通用有限元数值方案中以求解 Naiver-Stokes 方程的框架，进而实现对子网尺度闭包的学习，该方法在流过倒角阶梯的多个实现中展示了与传统的大涡模拟相当的准确性，并且在相当于 10 倍速度提升的更细网格上进行测试。

Jul, 2023

基于共形映射卷积自编码器的任意钝体非定常流三维重构和力估计

提出了基于卷积自编码器的神经网络模型 FR3D，用于流体动力学中三维流场的重构，可推广到马鞍形的平面之外，能够以很少的误差重构出压力和速度组成，且能准确估计 Q-criterion 场以及提取几何物体的升力和阻力。

Feb, 2023

提高城市气象污染预测的对抗自编码器和对抗 LSTM

本文利用深度学习中的对抗训练方法，尤其是 PCA-based 对抗自编码器和 LSTM 网络的方法，提高了城市空气污染 CFD 模拟的预报精度。

Apr, 2021

潜空间物理学：迈向学习流体流动的时间演变

本文提出一种基于深度学习的方法，通过使用 LSTM 算法预测流体力学问题中的压力场变化，并在实验中证明了该算法在速度上的优势

Feb, 2018