提出一种物理学深度学习框架（隐藏流体力学），能够编码控制流动的重要物理定律（即纳维-斯托克斯方程），并具有高度灵活性来选择感兴趣的时空域进行数据采集以及后续训练和预测，准确预测二维和三维流体中压力和速度场等量化信息。

Aug, 2018

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

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

本文提出了一个2D图网格数据集，用于研究高雷诺数下的翼型气流，并介绍了应力力量指标以评估基于几何深度学习的模型，同时提供了广泛的GDL基准。

Jun, 2022

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

我们提出了两个用于大涡模拟（LES）目的开发的次网格尺度（SGS）湍流模型家族。这些模型的发展需要以物理为基础的强大且高效的深度学习（DL）算法，与最先进的分析建模技术不同，该算法能够产生输入和输出之间的高阶复杂非线性关系。

Jul, 2023

BLASTNet 2.0是一份包含744个全域样本的2.2TB数据集，来自于34个高保真直接数值模拟，地址了目前三维高保真可压湍流流动模拟数据稀缺的问题。通过对这个数据进行基准测试，我们评估了49种各不相同的五种深度学习方法在三维超分辨率方面的性能，该方法对于科学成像、模拟、湍流模型以及计算机视觉应用有所改进。我们对这些模型进行了神经缩放分析，以检验不同机器学习方法的性能，包括两种科学机器学习技术。我们证明了（i）预测性能可以随着模型规模和成本的增加而提高，（ii）体系结构对于较小的模型尤其重要，以及（iii）基于物理的损失函数的好处在模型规模增大时仍然存在。这项基准研究的成果预计将提供有助于设计三维超分辨率模型的见解，特别是对于湍流模型，同时此数据预计将促进广泛范围的流动物理应用中的机器学习方法。这些数据已公开可下载，并在此https URL提供了下载链接和浏览工具。

Sep, 2023

通过深度光流估计器从流动测量中获取带有令人印象深刻的空间与时间分辨率的速度和壁面剪切应力场，以推导流动量的有效性和物理正确性

Oct, 2023

本研究解决了机器学习对数据需求过高的问题，通过探讨如何仅使用单一湍流快照提取物理特征。研究显示，精心设计的机器学习模型能够成功重建从低分辨率数据中提取的高分辨率湍流结构，表明非线性机器学习技术在学习湍流流动方面具有潜力。此成果预示着在设计模型和数据收集时融入先验知识的重要性，从而提高对湍流流动的数据利用效率。

Sep, 2024

本研究解决了复杂几何体的流动仿真在数值计算和资源消耗方面的挑战，并提出了FlowBench数据集，拥有超过1万个样本，规模远超现有公开流动物理数据集。研究发现，该数据集可帮助评估复杂几何与流动现象的相互作用对神经偏微分方程求解器性能的影响，为未来相关研究提供了重要的数据支持。

Sep, 2024