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

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

本研究旨在训练一个神经网络，该网络通过在参数空间内逼近纳维尔 - 斯托克斯方程的解，其中参数定义了物理属性，如域的形状和边界条件。本研究的三大贡献为：1）演示神经网络可以高效地聚合整个参数族的物理问题的解，使用传统的经验数值方法生成的数据进行训练，包括在物理空间和参数空间的任何点上极快的压力和速度评估（渐进地，~3 微秒 / 询问），以及数据压缩（与其自己的训练数据相比，网络需要 99％较少的存储空间）。2）演示神经网络可以在参数空间内精确地插值有限元素解，从而可立即查询有限元素解的压力和速度场解决从未执行传统模拟的问题。 3）引入一个主动学习算法，以便在训练过程中，有限元素求解器可以自动查询，并在神经网络的预测需要改善的位置获取附加的训练数据，从而在整个参数空间数据进行自主获取和有效分布。除了上述第 2 项的明显实用性外，我们还演示了网络在快速参数扫描中的应用，非常准确地预测导致在给定流量下端到端压力差增加 50％的管道缩窄程度。この機能は、動脈疾患の医療診断とコンピュータ支援設計の両方に応用することができます。

May, 2020

本研究采用隐式神经表示方法，从稀疏的传感器数据中可靠地重构物理场。通过将时空变化分解为空间和时间分量，并利用因变量分离技术从稀疏采样的不规则数据点中学习相关基函数，从而发展出数据的连续表示。在实验评估中，该模型在模拟数据和卫星海面温度数据集上表现出优越的重构质量，超过了最近的隐式神经表示方法。

Jan, 2024

本文回顾了在流体力学问题中使用基于物理学的神经网络（PINNs）的方法，将数据和数学模型无缝集成。该方法可以用于求解涉及三维尾流、超音速流和生物流动等方面的逆向问题。

May, 2021

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

使用物理信息的机器学习可以提高雷诺应力建模的准确性，该方法分解成线性和非线性部分有助于缓解基于雷诺应力封闭方程的雷诺平均流动方程的病态问题，该框架可用于改进平均速度的预测。

Jan, 2018

本文利用物理信息网络解决并识别局部微分方程组，应用此方法成功地解决了雷诺 - 平均纳维尔 - 斯托克斯方程，该方程适用于不可压的湍流流动，而且不需要特定的湍流模型或假设，并仅仅需要利用域边界数据来解决方程，研究结果表明该方法可以用于压力梯度强的层流，并且可以得到小于 1％的误差，同时对于湍流流动的模拟结果也非常准确。

Jul, 2021

采用端到端深度学习方法，提高了计算流体动力学中建模二维湍流流动的逼近精度，在直接数值模拟和大涡模拟中实现 8-10 倍于基线求解器的空间精度，具有 40-80 倍的计算速度加速，并保持稳定性，可适用于不同强度和涡量值的流量。

Jan, 2021

本研究探索使用 DeepONets 方法推断未知气动翼型的流场并优化其形状，结果表明 DeepONets 非常适合生成未知形状的高准确度解决方案，可以在毫秒级时间内准确推断压强、密度和速度场等信息，为气动设计提供了极大的便利。

Feb, 2023