本文介绍了一种GPU加速的PTFlash框架，用于计算多相多组分介质流的等温两相平衡。同时，该框架设计了两种使用离线训练的神经网络，用于在不稳定分析和迭代次数减少的情况下加速计算。实验结果表明，使用PTFlash进行计算可提高两个数量级的速度，并能与基于C++的Carnot库提供的参考解保持完美精度。

May, 2022

本文采用多输出高斯过程回归方法，使用Brunel二相流数据库中的高保真实验数据来建立微通道中的两相传热系数模型，并提出了改进该模型在外推方面性能的研究方向。

May, 2023

使用 DeepONet 框架构建Bayesian DeepONet 做出了可靠的替代模型，为研究热性能提供了有效的不确定性量化，并通过一种新颖的随机梯度复制交换MCMC 框架对DeepONet参数的后验分布进行采样，以提供更准确的预测。

Jun, 2023

本文提出将变量重新定义为物理变量来减少问题的非线性性，以提高溶液饱和度计算的精度和计算效率，并使用物理驱动的神经网络（PINNs）以及变量改变技术来解决一维反向自发浸润问题，并对三种不同表示形式进行比较。

May, 2023

精确预测蒸气压是各种工业和环境应用中至关重要的。然而，由于实验的资源和劳动强度，不可能获得所有感兴趣化合物的准确测量结果。当希望预测蒸气压的温度相关关系时，资源和劳动需求进一步增加。在本文中，我们提出了PUFFIN（Path-Unifying Feed-Forward Interfaced Network），这是一个结合了迁移学习和领域知识启发的新归纳偏差节点（安托万方程）的机器学习框架，用于改进蒸气压预测。通过利用归纳偏差和使用图嵌入的迁移学习，PUFFIN超过了不使用归纳偏差或使用通用化合物描述符的替代策略。该框架将领域专业知识融入以克服有限数据可用性的限制，显示出在化学化合物分析中的更广泛应用潜力，包括其他物理化学性质的预测。我们提出的机器学习框架部分具有可解释性，因为归纳安托万节点提供了网络得到的安托万方程系数。然后可以直接将所得的分析表达式纳入工业和环境中发生的过程的优化预测和控制的过程设计软件中。

Jul, 2023

利用物理驱动的模拟结果提供真实可靠的数据信息，BubbleML数据集以及其基准测试成为多物理相变现象的机器学习驱动研究的推动因素，促进了先进技术和模型的发展和比较。

Jul, 2023

本研究使用深度学习的数据驱动方法，通过训练卷积神经网络来预测二维核燃料微结构图像中的瞬时裂变气体释放通量，结果表明这种方法具有高度的预测能力和稳定性，可在非常低的瞬时释放通量值上提供卓越的准确性（4.4%的平均绝对百分比误差）。

Oct, 2023

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

通过将离散化的微分方程融入到PINN框架中，改进物理信息神经网络在处理不连续输入数据方面的准确性，并减少数值模拟的计算成本。

Apr, 2024

研究中开发了一种新颖的多保真度深度学习方法，通过将参数空间信息纳入标准自动编码器体系结构中，将低保真度解决方案图转换为高保真度解决方案图，并表明由于参数空间数据的整合，该方法要求显著较少的训练数据来实现从低保真度到高保真度的有效性能。

May, 2024