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

我们提出了一种物理感知生成对抗网络模型 FluxGAN，能够同时生成大规模微结构的高质量图像和与之相关的热特性描述。该模型在训练阶段学习了局部结构特征与物理过程（如微结构中由温度梯度引起的热通量）之间的关系，一旦训练完成，模型生成新的结构和相应的热通量环境，避免了计算代价高昂的建模过程。我们的模型在描述微结构的热特性方面提供了一种经济高效的方法，相比传统的有限元方法等建模技术，后者需要随微结构模型的大小而增加计算量，因此限制了模拟的规模、分辨率和复杂性。相反，FluxGAN 模型采用逐部合成方法，在低计算成本下生成任意规模的图像。我们证明该模型可用于生成满足目标热特性要求的热喷涂涂层设计。此外，在训练 2D 示例后，该模型还能够生成三维（3D）域中的涂层微结构和物理过程。我们的方法有潜力改变热喷涂涂层的设计和优化，适用于各种应用，包括航空发动机或基于陆地的电力发电机的高温长时间运行。

Oct, 2023

该论文介绍了一种基于深度学习的代理建模方法，DeepEDH 方法，用于计算量大的共轭热传递模型，并通过建立计算模型和使用有限元法进行求解，对冷却板冷却的电池热管理系统中的压力、速度和温度场进行建模和预测，从而验证了 DeepEDH 方法的有效性。

Nov, 2023

使用条件生成对抗网络（cGAN）的数据驱动模式，无需对基础控制方程有先验知识，直接生成稳态导热和不可压缩流的解，具有高测试精度（MAE＜1％）和最先进的计算性能，并可用于从实验观测中直接学习因果模型。

Sep, 2017

本文提出了一种基于流形生成模型的新型生成模型 CAGlow，能够通过学习条件空间到潜在空间的映射，实现复杂情况下的稳健的有条件图像合成。

Apr, 2019

本文介绍了连续时间流（CTF）的概念，这是一种能够渐进地接近目标分布的基于扩散的方法。相对于常规的 normalizing flows 和 GANs 模型，CTFs 能够在一个框架中实现高效率的推理和基于大量未标记数据的密度估计，并且可以在其中采用一种新的分布匹配技术。实验结果表明，所提出的 CTF 框架较之相关技术具有更良好的性能。

Sep, 2017

利用物理学信息神经网络（PINN）对换热器进行实时健康监测，以提高热电厂能效，达到减少推理时间的目的，同时保持物理学基础仿真准确性，使该方法对于数字孪生环境中的换热器预测性维护非常有吸引力。

Dec, 2022

本文提出了一种新的生成对抗网络叫 VTF-GAN，它能够通过学习人脸的空域和频域特征，实现从可见光图像到红外热成像图像的高质量转换。实验结果表明，相对于其他对比算法，VTF-GAN 具有更高的质量和真实感。

Feb, 2023

本文提出了一种基于扩散算法生成图像的模型，将前向热方程的解释为噪声后的扩散潜变量模型的变分近似。其具有整体颜色和形状解耦的性质，同时通过自然图像上的谱分析，揭示了其暗含的自上而下的归纳偏置。

Jun, 2022

通过引入一种新的条件方案 C-Flow，该研究将基于流的生成模型扩展到了全新的场景，针对多模态数据建模，包括图像、分割图和边缘掩膜等。还针对无序 3D 点云建立了新的策略，并针对三维重建、图像渲染和多模态图像之间的映射提出了应用，以及实现了高度可适应性的应用。

Dec, 2019