- 基于 Koopman 的深度学习用于非线性系统估计
应用 Koopman 算子理论和深度强化学习网络，提出了一种数据驱动的线性估计器，用于提取复杂非线性系统的有限维表示，实现对原始非线性系统未来状态的精确预测。该估计器还可以适应非线性系统的微分同胚变换，从而实现对变换后系统状态的估计，无需重 - VortexViz: 通过学习粒子轨迹找到旋涡边界
利用深度学习技术，本文提出了一种新的方法来准确提取涡旋边界，通过融合粒子轨迹（流线或路径线）来增强涡旋边界提取的准确性。
- 基于有限数据采集的流体在圆柱上的数据驱动发现
基于根据标准圆柱实验的有限数据获取描述，本文提出了一种基于 Koopman 算子的 Kernelized Extended DMD（KeDMD）变种，利用高斯随机矩阵的概念恢复主导 Koopman 模式。同时，本文还探讨了 Koopman - 探照灯搜索介质轴：一种无像素孔隙网络提取算法
通过使用闪光灯搜索中轴（FSMA）算法，可以精确提取孔隙网络，从而实现对多孔介质中流体流动的研究。此算法不仅可以降低计算复杂性，而且可应用于不同维度的多孔介质，并能搜索闭合和开放边界情况下的孔隙，并在多相流研究中具有重要意义。
- 用于深度学习应用的参数化 U 形弯管流数据集
该研究提供了一个包含 10,000 个流体流动和热传递模拟的数据集，这些模拟均采用计算流体力学方法进行处理，并由 28 个设计参数描述。该数据集提供了一个全面的基准，可以用于研究设计优化领域的各种问题和方法。
- 基于傅里叶神经算子的转移学习多保真流场与温度场预测
提出了一种基于傅里叶神经算子的多保真学习方法，通过联合大量低保真度数据和有限高保真度数据，利用转移学习范式实现了对复杂流体和温度问题的预测，并且获得了高达 99% 的建模准确性。
- ICML学习利用物理动力学估计和优化流体运动
本文提出一种基于无监督学习的预测 - 校正方案，通过 PDE 约束的光学流预测器给出速度场的估计，并通过基于物理的校正器进行精细化处理，取得了比光学流方法更好的效果，在基准数据集上表现出与现有监督学习方法具有竞争力的结果。
- 利用物理知识驱动的卷积神经网络进行流体流动的超分辨率和去噪，不需要高分辨率标签
利用卷积神经网络实现流场高分辨率重构，不需要高分辨率标签，能够提高空间分辨率并降低流场数据的噪声水平。
- 使用卷积网络加速欧拉流体模拟
这项工作提出了一种数据驱动的方法，结合深度学习和标准求解器的精度，通过解决大型稀疏线性系统来快速高度逼真地模拟不可压缩的欧拉方程，得到比最近提出的数据驱动方法更好的 2D 和 3D 模拟结果，并展示了良好的泛化性能。