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

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

该研究使用科学的多智能体强化学习方法来发现适用于大涡模拟的壁面模型，从而有效地减少了计算成本并改良了风力发电设备的设计和气象预测能力。

Jun, 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

训练得到的模拟器可以在低空间和时间分辨率下捕捉高分辨率下产生的湍流动力学，我们的模型在各种科学相关度量中比传统的数值解算器更准确地模拟了湍流动力学。

Dec, 2021

本文提出了一种基于数据打造的学习框架，将理想大涡模拟和神经随机微分方程相结合，应用在一种具有挑战性的混沌动力学系统——雷诺数为20000的Kolmogorov流上，与其他方法相比，我们的 niLES 方法可以无缝处理非均匀几何结构，并可以处理更精确的统计数据和增强稳定性，特别是在长时间内的结果上.

Jun, 2023

利用可微分湍流解算器与受物理启发的深度学习架构的组合，学习出极为有效且多功能的二维湍流流动的亚网尺度模型；通过研究所选择的架构的归纳偏差分析，发现包含小尺度非局部特征对于效果良好的亚网尺度建模至关重要，而大尺度特征可以提高后验解场的点位准确性；通过分解输入与输出为各向同性、去除偏差以及反对称分量，将滤波速度梯度张量直接映射到亚网尺度应力。同时，验证模型可应用于多种不同流动配置，包括更高和更低雷诺数以及不同的施加条件。实验证明可微分物理的范例比离线的先验学习更加成功，并且深度学习的混合解算器循环方法在计算效率、准确性和泛化性方面提供了理想的平衡。该研究为基于物理的湍流智能感知方法提供了推荐建议。

Jul, 2023

我们提出了两个用于大涡模拟（LES）目的开发的次网格尺度（SGS）湍流模型家族。这些模型的发展需要以物理为基础的强大且高效的深度学习（DL）算法，与最先进的分析建模技术不同，该算法能够产生输入和输出之间的高阶复杂非线性关系。

Jul, 2023

基于强化学习（RL）的后验方法，我们提出了一种新颖的方法来开发与离散化一致的闭合方案，并将其应用于隐式滤波的大涡模拟（LES），其中诱导滤波核和闭合项根据网格和离散化算子的性质确定。优化的闭合模型实现了准确且一致的结果，甚至比经典最先进的模型在不同离散化和分辨率上表现更好。

Sep, 2023

本研究解决了流体动力学中高维特性对气动流动控制的挑战，尤其是在非线性强干扰响应下。提出了一种结合新型降阶模型的基于模型的强化学习方法，有效减少了训练所需的交互成本。研究表明，该方法在多种流动环境下具有稳健性和广泛适用性，并能够有效减小在气流扰动期间的升力变化。

Aug, 2024