基于三维流场理论，提出了一种基于局部速度信息的分割标准和基于局部涡量与涡尾之间关系的分类标准的流场分割及分类深度学习方法，能更准确地识别涡旋结构，并在准确分类涡尾类型的同时，大幅度减少时间消耗。

May, 2023

提出一种新的可微旋涡质点方法，以从单个视频中推断和预测流体动力学，通过学习可变换的旋涡到速度动态映射将复杂的流体特征有效捕获在物理约束的低维空间中，并建立一个适合输入视频的流体模拟器来提供稳健，长期的未来预测。

Jan, 2023

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

使用基于图卷积神经网络（GCN）和 U-Net 架构的模型，在非结构网格上识别计算流体动力学（CFD）结果中的涡旋，并通过优化输入集、对比卷积神经网络模型以及评估 GCN 模型的性能来验证方法的适用性。

Nov, 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

使用基于物理原理的 TensorFlow-net 深度学习模型，可以准确预测高效非线性动力学物理场，并且满足保守质量、模拟湍流动能和频谱等物理特征。

Nov, 2019

本文论述了数据问题在数据驱动型方法中发挥的重要作用，通过学习如何过滤转动成分的涡通量，提出了一种基于数据的处理方法，提高了模型的鲁棒性，并讨论了在物理进程中揭示未知数据的隐藏价值。

Jul, 2023

该论文研究物理驱动的神经网络（PINN）在预测不稳定流（特别是涡 shedding）时的局限性，表明 PINN 方法在数值上具有色散和扩散特性，需要更多的理论工作来分析其数值特性。

May, 2023

综合数据驱动的学习法和从流体流动动力学概念中生成的速度矢量场，本文提出了一种新的轨迹预测技术，将矢量场作为卷积 - 递归深度神经网络的附加输入，帮助预测基于俯视图场景的未来轨迹。该方法在 HighD 数据集上与最先进的方法进行了比较，展示了在短期和长期（5 秒）时间范围内，速度矢量场的引入提高了预测准确性，并且准确性随着观测窗口的减小而保持一致，缓解了对准确轨迹预测所需的过去观测历史的要求。

Sep, 2023

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