通过结合飞机引擎领域和神经网络领域的领域知识，我们提出了一种策略，能够实时预测引擎性能参数，并且在预测准确性、计算效率、建模复杂性和数据依赖性之间取得理想平衡。我们通过精心设计网络结构、调节内部信息流，并采用四种不同的特征融合方法和创新的损失函数公式来实现这一目标。通过对两个不同数据集的全面验证，实验证明了我们的策略的有效性和健壮性，并且相较于传统的黑盒机器学习方法，我们的模型具有更好的解释性。

Jun, 2024

本研究提出了一种模型无关的计算流体动力学仿真方法，采用聚类神经网络结构，并与基于模型的方法作对比，结果表明该方法与之几乎同样精确，但速度快一个数量级，易于应用，在仿真简化和加速方面具有潜在的应用价值。

Jan, 2019

本文发现不同风条件下的空气动力学共享相同的表示，但风特定部分存在于低维空间中，提出了基于深度学习和领域敌对不变元学习的学习方法 Neural-Fly，该方法只利用 12 分钟的飞行数据，可以在线快速自适应，实现了无人机在动态高速风下精确飞行控制。

May, 2022

本研究探讨了深度学习模型在推断雷诺平均 Navier-Stokes 方程的解中精度的问题，着重于现代化的 U 形网络架构，并评估了大量经过训练的神经网络，特别是说明了训练数据大小和权重数量对解的精度的影响。结论表明，通过我们的最佳模型，我们对于一系列之前从未见过的翼型形状得到平均相对压力和速度误差小于 3％。此外，为确保可重复性，并为对物理问题深度学习方法感兴趣的研究人员提供一个起点，我们公开了所有源代码。虽然本研究集中于 RANS 解，但神经网络架构和学习设置非常通用，并适用于笛卡尔网格上广泛范围的偏微分方程边界值问题。

Oct, 2018

采用高斯过程模型建模空气动力学特性，并将其并入模型预测控制器，从而实现高速无人机精确控制。

Feb, 2021

本文介绍了一种数据驱动的稀疏传感器选择算法，通过拟合训练数据的基函数，排列现有压力传感器的重要性顺序，并成功地重建了高层建筑风压的空气动力学特性，为将数据驱动和机器学习算法成功应用于风工程提供了有希望的首要步骤。

Jun, 2023

提出了一种基于深度强化学习的自学习算法 DF-DRL，通过提高传感器信号（DF）的动态特征，自动学习反馈控制来控制圆柱尾流，实验结果表明可以将阻力系数降低至先进水平约 8%，从而可以通过使用较少的传感器信号控制尾流。

Jul, 2023

本文提出了一种基于卷积神经网络（CNN）的近似模型，用于流场预测，该模型可以有效地估算速度和压力场，实现了对空气动力学力和流场的研究。

May, 2019

利用几何理论，我们提出了一种将黎曼几何特征结合到深度学习模型中，以预测机翼表面的压力系数分布，实验结果表明，与最先进的深度注意力网络相比，我们的方法能够将压力系数的预测均方误差平均降低 8.41%。

Dec, 2023

应用机器学习技术，本研究提出了预测飞机机身动态迫降载荷的方法。通过使用卷积自编码器（CAE）对空间载荷进行重构，并结合长短期记忆（LSTM）网络或基于库普曼算子的方法来预测载荷的瞬态演化。研究结果表明，LSTM 与深度解码器 CAE 的组合显示出最佳性能。

Feb, 2024