使用可解释的深度学习方法，首次探讨了流场内相互作用的相干结构。对湍流通道的瞬时速度场进行卷积神经网络预测，使用博弈理论算法评估每个结构对于预测的重要性，并发现了这些结构与流动动力学之间的因果联系。
Feb, 2023
采用深度神经网络来研究涡街诱导振动现象，解决方案可以精确地推断出结构参数和涡街效应下的压力和速度场，并且可以应用于流量控制和系统识别等方面。
Aug, 2018
我们提出了混合神经流体场（HyFluid）的神经方法，用于联合推断流体密度和速度场，以解决流体速度的视觉模糊性和湍流性所带来的挑战，并展示了该方法在恢复涡旋流细节方面的成功，为涉及三维不可压缩流体的各种学习和重建应用打开了可能性。
Dec, 2023
本研究开发了一种有限元分析的替代模型，可以准确、高效地预测不考虑复杂几何形状和边界条件下的动脉壁应力应变场。
Aug, 2023
我们提出了一种用于弹塑性和断裂的减维模型的混合神经网络和物理框架，并演示了其在不同材料行为模拟中的强大计算效率。
Oct, 2023
我们引入了神经流图（Neural Flow Maps）这种新颖的模拟方法，将隐式神经表示的新兴范式与基于流图理论的流体模拟相结合，实现了无粘流体现象的最先进模拟。我们设计了一种新颖的混合神经场表示，即空间稀疏神经场（Spatially Sparse Neural Fields，SSNF），它将小型神经网络与具有重叠、多分辨率和空间稀疏网格的金字塔结合起来，以高准确性紧凑地表示长期时空速度场。在这个神经速度缓冲区的基础上，我们以机械对称的方式计算长期的双向流图及其雅各布矩阵，从而显著提高了现有解决方案的准确性。这些长程双向流图实现了高精度的平流，低耗散，进而促进了具有高保真度的不可压缩流体模拟，从而展现了复杂的旋涡结构。我们展示了神经流体模拟在各种具有挑战性的模拟场景中的有效性，包括跳跃涡旋、碰撞涡旋、涡旋重连接，以及由移动障碍物和密度差异引起的涡旋生成。我们的实例展示了相对现有方法在能量守恒、视觉复杂度、与实验观察的一致性以及对详细旋涡结构的保护方面的性能提升。
通过 CFD 数据直接学习气流在圆柱上的强迫和自由动力学的方法，基于 Koopman 理论，使用模型预测控制产生了稳定的动态模型，寻找了一个简单易懂的控制策略来抑制圆柱尾流中的涡 shedding。
May, 2018
提出了基于卷积自编码器的神经网络模型 FR3D，用于流体动力学中三维流场的重构，可推广到马鞍形的平面之外，能够以很少的误差重构出压力和速度组成，且能准确估计 Q-criterion 场以及提取几何物体的升力和阻力。
这项研究通过使用数据增强技术对模拟实验进行训练，利用点云数据开发出一种基于深度神经网络的实验室训练模型，能够直接测量 Manning's n 值，并在规范性和极端气象事件下的 1D 和 2D 水动力模型中展现了改进的预测能力，该研究提供了一种可靠、可重复和易获取的测量摩擦因子的方法，从而提高洪水预测精度并减少水动力建模中的不确定性。
Apr, 2024
研究 meniscus 内的液流行为及其结构影响的方法，将计算流体力学与图像分析相结合，通过高分辨率的三维微型 CT 扫描，在一定范围的入口速度下分析人类 meniscus 内部结构的液流。
Jul, 2023