本研究介绍了一种能够从降维参数集合综合流体模拟的新型生成模型，采用卷积神经网络进行训练，通过学习数据的代表性特征，能够对训练数据集进行精确近似而同时提供可信的插值。该模型经过优化，实现了全时刻无发散，能够处理复杂参数化并通过潜在空间积分进一步模拟。其模型包括多种流体行为，可用于模拟加速、流体插值、时间重采样、潜在空间模拟及流体模拟数据压缩，重建速度场比外部 CPU 求解器重复模拟节省 700 倍时间，压缩率达到 1300 倍以上。

Jun, 2018

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

近年来，将深度学习应用于解决物理问题引起了广泛关注。本文构建了一个基准测试集 CFDBench，其中包含了计算流体动力学中的四个经典问题，并评估了现有方法在不同边界条件、流体物理性质和域几何形状下的泛化能力，用来促进找到具有强大学习能力的模型。

Sep, 2023

本文探讨了使用四种不同的深度学习网络（考虑和不考虑守恒定律的卷积神经网络，考虑和不考虑守恒定律的生成对抗网络）来训练和预测圆柱上的非稳态流场，通过使用实际的质量守恒和动量守恒物理损失函数以及非监督式的对抗性训练来提高预测准确度，并得到了与数值模拟结果良好一致性的预测结果。

Apr, 2018

通过建立船舶设计机器学习工具，结合该论文提供的三万条船舶数据集，包括设计和功能表现信息，海洋水动力拖力系数等，发展一种以数据驱动的船舶设计方法，并使用代理模型和遗传算法将船舶波浪阻力降低 60％。

May, 2023

本文提出了一种新颖的基于 PointNet 架构的深度学习框架，用于在几何形状无规则的区域中进行流场预测，该方法实现了在边界平滑性和小尺度几何变化检测方面的优化，并且能够比传统 CFD 解算器快数百倍且保持较高的准确度。

Oct, 2020

本文提出了一种基于受物理约束的深度学习的代理建模方法，以替代传统的基于数值模拟的建模方法，在流体力学问题中得到了很好的应用表现。

Jun, 2019

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

该论文介绍了一个公共数据集，其中包含了 140 万个以参数方式表示的、程序生成的自行车设计，以 JSON 文件和栅格化图像形式提供。该数据集的创建依赖于一个渲染引擎，该引擎利用 BikeCAD 软件从参数化设计生成矢量图形。论文讨论了这个渲染引擎，并与数据集一起公开发布。尽管该数据集有众多应用，主要动机之一是需要训练参数化和基于图像的设计表示之间的交叉模态预测模型。例如，我们演示了可以训练预测模型，直接从参数化表示准确估计 Contrastive Language-Image Pretraining (CLIP) 嵌入。这样可以建立参数化自行车设计与文本字符串或参考图像之间的相似性关系。已公开发布了训练好的预测模型。该数据集是 BIKED 数据集系列的一部分，包括数千个混合表示的人工设计自行车模型和几个量化设计性能的数据集。代码和数据集可以在 this https URL 找到。

Feb, 2024

我们提出了一种交互式机器学习工具，用于压缩、浏览和插值大型模拟数据集，以便计算科学家和研究人员能够快速可视化‘假设情况’，进行敏感性分析和优化复杂的水动力实验。

Jun, 2024