本研究采用 LSTM 模型预测具有表面张力效应的流体流动的瞬态和静态输出，通过神经网络结构从几何参数派生的时间序列数据来预测能量预算，该方法在液滴动力学问题中展示了准确性，并且可以用于预测静态参数，如雷诺数和韦伯数。

Mar, 2024

该论文演示了使用循环神经网络（RNN）作为量子哈密顿量的近似基态变分波函数来表示多体波函数，通过优化变分参数使用随机方法实现。并利用其自回归性质作为有效的物理估计器来计算各种相关物理量。

Feb, 2020

使用神经网络对采用船舶作为波浪浮标类比法的海浪状态进行建模，利用船舶运动响应的谱数据，可以高精度地估计明显波高和平均波周期，具有应用前景的海浪状态评估方法。

May, 2022

使用长短期记忆（LSTM）神经网络的多保真度自适应方法来估计双峰双向海况下的船舶响应统计数据，并使用低保真度的 SimpleCode 和高保真度的 LAMP 工具生成训练数据，通过对 LAMP 船舶运动响应数据进行训练后，将历史天气输入到 SimpleCode 和 LSTM 网络中，与高保真度结果进行比较。

Jul, 2023

通过训练具有门控循环单元（GRU）结构的递归神经网络（RNNs），本研究证明它们具备学习合成数据中速率状态摩擦定律复杂动力学的能力。我们的方法的一个新颖之处在于定义了损失函数，明确考虑了初始条件、直接影响和训练过程中状态变量的演化。研究发现，具有 GRU 结构的 RNN 有效地学习预测由于速度跃变而引起的摩擦系数变化，从而展示了机器学习模型在理解和模拟摩擦过程物理学方面的潜力。

Feb, 2024

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

本文旨在研究人体运动建模领域的前沿研究，特别关注基于深度递归神经网络的研究成果，对当前问题的评价方法进行了调查，在研究现有的体系结构、代价函数和训练程序时，提出了三点标准改进措施，取得了最新技术的突破性进展。

May, 2017

本文提出了一种差分门控 LSTM 神经网络，它采用导数来量化关键运动模式对时间序列数据的信息增益，从而提高动作识别的准确率。

Apr, 2015

本研究使用人工神经网络模型结合一组合成暴风模拟数据库，研究了该模型模拟风暴潮水平的能力；使用时间序列模型 Long short-term memory，和结合卷积神经网络的 ConvLSTM 模型捕捉数据的时空相关性；该模型的性能优于高斯过程实现多个合成风暴数据库的结果。

Apr, 2022

该研究论文介绍了一种新的深度学习架构 DriftNet，并探讨了其在 Lagrangian 漂移模拟方面的应用，研究表明 DriftNet 在实验中表现优异。以该模型为基础，研究者还利用神经反演技术进行模型派生速度的诊断。

Nov, 2022