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

利用基于扩散的生成模型学习湍流涡度轮廓的分布，生成与训练数据集不同的多样化湍流解，并分析新湍流轮廓的统计缩放特性、能量功率谱、速度概率分布函数和局部能量耗散矩。通过与已建立的湍流特性的一致性，该模型证明了其捕捉实际湍流关键特征的能力。

Nov, 2023

本文介绍了一种利用监督式机器学习技术、灵感来源于超分辨率和插帧的新型湍流数据重建方法，通过卷积神经网络的多尺度模型，及时地将高分辨率的湍流流场从粗略的空间和时间数据中恢复出来，该方法在二维圆柱后流、二维衰减均匀同性湍流和三维涡旋管道流场的应用中得到了验证，表明其能够满足多种流场重建的需求。

Apr, 2020

基于最先进的扩散模型的机器学习方法，能够生成具有高雷诺数的三维湍流中的单粒子轨迹，从而避免直接数值模拟或实验获得可靠的拉格朗日数据；该模型能够定量地重现整个时间尺度范围内的所有相关统计基准，包括速度增量的尾分布、异常幂律和耗散尺度周围间歇性的增强；该模型在极端事件方面表现出良好的普适性，实现了前所未有的强度和稀有性，为产生用于预训练拉格朗日湍流各种下游应用的合成高质量数据奠定了基础。

Jul, 2023

提出了一种全深度学习的代理建模方法，名为 LAMP，基于图神经网络进行前向建模和空间精度升级策略的学习。该方法通过加权误差和计算成本的目标函数进行优化，从而可以在推断时自适应地处于误差和计算成本的平衡点，实现了在多分辨率动态系统中的性能提升，并在非线性偏微分方程和网格模拟方面取得了优越的结果。

May, 2023

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

通过使用 Gledzer-Ohkitani-Yamada (GOY) shell 模型的强烈简化表示，我们构建了一个小尺度湍流模型进行研究，重点探讨了机器学习与物理学的相结合，以及在将机器学习与微分方程相结合时存在的问题。

Jan, 2022

该论文研究了机器学习方法在模拟高维地球物理湍流过程中的预测性能，并发现训练数据的时间分辨率对于预测性能的影响。

Apr, 2023

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