我们开发了一个基于图形的框架来表示最佳热管理系统设计的各个方面，旨在快速高效地识别最佳设计方案。通过图形框架，我们生成多样的热管理系统体系结构，对这些系统体系结构在各种负载条件下建模，并利用开环最优控制器确定每个系统的最佳性能。利用图神经网络模型训练预测性能，我们对剩余数据集进行性能估计，并利用估计值对测试数据进行排序，提供优先评估设计方案的能力。结果显示，通过此方法能够显著降低 92% 以上的系统动态建模和最优控制分析所需的工作量，以识别最佳设计方案。

Nov, 2023

本研究综合研究了模型简化和深度学习技术在预测脉冲射流对凹曲面传热中的效用，并引入了预测代理模型（Predictive Surrogate Models）以评估具有不同射流特性的传热问题。模型简化和深度学习技术在模拟复杂传热现象方面表现出了多样性和高效性。

Feb, 2024

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

通过使用 Gledzer-Ohkitani-Yamada (GOY) shell 模型的强烈简化表示，我们构建了一个小尺度湍流模型进行研究，重点探讨了机器学习与物理学的相结合，以及在将机器学习与微分方程相结合时存在的问题。

Jan, 2022

本研究介绍了一种新型的基于理论引导神经网络的代理模型，用于解决地下双相流问题中的不确定性量化，旨在提高计算效率，同时保证准确性。该模型不仅依赖标记数据，而且还将科学原理和经验规则作为附加组件纳入丢失函数。实验表明，该模型在地下双相流问题的不确定性量化任务中具有良好的准确性和强大的鲁棒性。

May, 2022

本文提出了一种物理引导递归神经网络模型（PGRNN），它根据物理学模型和机器学习模型相结合，明确提出物理模型的局限性并提出了一种新的改进方法，该方法能够更好地预测实际现象。

Jan, 2020

该研究提出了一种新的方法，结合人工神经网络技术和压降相关来预测微通道中杂质混合物的压降，该方法在训练和测试中具有比其他方法更好的性能和泛化性能。

Jan, 2022

本文提出一种基于 LSTM 的深度学习结构，结合前沿的水文模型 SWAT，通过建模天气驱动和产流之间的中间交互过程，实现对径流预测的精确预测，同时减少了传统数据驱动方法所需的大量数据。

Dec, 2020

通过机器学习方法进行端到端基于结构的方法加速预测材料的导热性的研究，从而更有效地扩大已有数据集的规模。我们评估了目前最先进的机器学习模型在扩展数据集上对导热性预测的性能，并观察到所有这些模型都存在过拟合的问题。为了解决这个问题，我们引入了一种新颖的基于图的神经网络模型，它在所有评估的数据集上表现出更一致和规范化的性能。然而，测试数据集上达到的最佳平均绝对百分比误差仍然处于 50-60% 的范围内。这表明，虽然这些模型对于加速材料筛选是有价值的，但它们目前的准确性仍然有限。

Nov, 2023

本研究提出了一种利用条件生成对抗网络（cGANs）的数据驱动的图像翻译方法，重建了在临界热流量（CHF）时沸腾系统的热数据，并有助于简化红外热成像相关实验设置和数据缩减程序，提供了 CHF 诊断的有效解决方案。

May, 2023