该研究聚焦于解决非均匀非结构网格在计算流体力学中的挑战，通过利用图卷积网络和自编码图卷积网络结构生成降阶模型，有效提高了预测准确性和网络的能力。验证实验表明该方法在稳态分布量的精确重构方面可靠且具有多样性。

May, 2024

在航空航天设计领域，实现平滑曲线至关重要，特别是在制作如翼型等物体时。生成对抗网络（GAN）作为一种广泛使用的生成人工智能技术，在合成翼型设计方面已经证明其重要性。然而，GAN 的一个普遍限制是生成的翼型表面缺乏平滑性。为了解决这个问题，我们提出了一个具有定制损失函数的 GAN 模型，用于产生无缝轮廓的翼型设计。此外，相比于采用后处理平滑滤波器的传统 GAN，我们的模型在设计多样性方面表现出了显著增加。

Apr, 2024

本研究提出了一种名为 “Free-Form Deformation Generative Adversarial Networks (FFD-GAN)” 的深度生成模型，可用于三维空气动力学 / 水力学形状优化，例如机翼、涡轮叶片、汽车车身和船体。该模型通过一组紧凑的设计变量映射到表示形状的三维表面点，具有高表征容量 / 紧凑度，并能够加速形状优化。

Jan, 2021

通过使用物理感知的变分自动编码器，我们开发了一种新颖的翼型参数化方法，该方法明确地将翼厚和弯曲分布的生成分开，从而改善了可行性，同时将其潜在维度直接与翼型的几何特征对齐，显著增强了直观性。通过进行广泛的比较研究，我们展示了我们的方法的有效性。

Nov, 2023

通过物理引导训练生成对抗网络（GAN）模型，在不使用训练数据集的情况下，生成全新的形状，并且改善了现有 GAN 模型的准确性和物理有效性。

Aug, 2023

本文利用深度学习中的对抗训练方法，尤其是 PCA-based 对抗自编码器和 LSTM 网络的方法，提高了城市空气污染 CFD 模拟的预报精度。

Apr, 2021

本文提出了一种深度生成模型 Bezier-GAN 来压缩参数化飞行器设计，从而以更紧凑的方式获得充分的可表示容量，同时保持充分的表示容量。在空气动力学设计的示例中，通过分析 Bezier-GAN 的表示能力和紧凑性，结果表明该方法在范围广泛的翼型中学习光滑、逼真的形状表示，并与最先进的参数化方法相比，至少将优化收敛加速两倍。

Jun, 2020

该研究提出了一种基于图神经网络和专家指导的机器学习方案，用于自动生成飞机模型的计算流体动力学网格，通过引入一种新的三维分割算法、预测从三维网格到 CAD 表面的方法以及边缘统计保证和鲁棒的不确定性量化和处理，实现了避免精细度不足所导致的计算流体动力学网格生成失败，并通过真实案例研究证明了与专家生成网格质量可比的自动生成网格的有效性，使求解器能够收敛并产生准确结果。此外，通过与自适应重网格方法的对比，我们发现我们的方法在仿真过程中的速度是后者的 5 倍。

Aug, 2023

本文提出了一种元学习方法，通过使用模型无关的元学习器，能够在仅处理少量特定任务的数据的情况下，提高通过机器学习方法解决计算流体动力学中复杂偏微分方程的模型在未知样本上的表现，同时保持效率。

Jun, 2023

本篇论文提供了一个新的原则，即利用生成模型的层次结构将自编码器与生成对抗网络相结合，以防止学习到的生成模型中的模式崩溃，并使用区分器学习合成可能性和隐式后验分布。

Jun, 2017