本书围绕高端装备设计与制造中面临的基础流体力学问题，应用人工智能和大数据时代的数据驱动研究新范式，从人工智能技术与流体力学深度交叉融合视角出发，介绍数据驱动流体力学的基本原理、基础方法和典型案例。本书第一部分（第1～4章）介绍数据驱动流体力学研究必备的机器学习算法、Python编程基础、数据集构造等底层基础技术；第二部分（第5～9章）介绍面向复杂流动应用场景的数据驱动建模技术；第三部分（第10和11章）介绍流体力学领域偏微分方程神经网络智能求解及深度强化学习优化技术。
样章试读
目录
- 目录
丛书序
前言
第1章 绪论 001
1.1 引言 001
1.1.1 科学研究范式的演进 001
1.1.2 深度学习与科学发现 002
1.1.3 数据驱动流体力学的提出 004
1.2 研究现状 005
1.3 小结 009
参考文献 009
第2章 Python编程基础 013
2.1 Python语言 013
2.1.1 安装与设置 013
2.1.2 编写规范 015
2.1.3 常用语句 017
2.1.4 数据结构和操作 018
2.1.5 文件处理 021
2.1.6 面向对象编程 022
2.2 典型人工智能框架 024
2.2.1 TensorFlow 024
2.2.2 PyTorch 027
2.2.3 MindSpore 030
2.3 小结 036
参考文献 036
第3章 神经网络算法基础 037
3.1 神经网络算法概述 037
3.2 神经网络算法 038
3.2.1 前馈神经网络 038
3.2.2 反向传播算法 041
3.2.3 网络优化算法 044
3.3 深度神经网络模型 050
3.3.1 全连接深度神经网络 050
3.3.2 卷积深度神经网络 051
3.3.3 生成对抗网络 053
3.3.4 长短期记忆网络 054
3.3.5 Transformer网络 056
3.3.6 图神经网络 058
3.4 小结 059
参考文献 059
第4章 流体数据集生成 061
4.1 流体样本生成 061
4.1.1 试验设计方法 061
4.1.2 数据生成方法 062
4.2 神经网络数据集构造方法 064
4.2.1 无量纲化与归一化 064
4.2.2 流场数据格式转换 065
4.3 公开数据集介绍 067
4.3.1 定常数据集 067
4.3.2 非定常数据集 068
4.3.3 流固耦合数据集 070
4.3.4 典型流动与湍流数据集 074
4.4 小结 076
参考文献 076
第5章 气动特性数据驱动建模 077
5.1 定常气动力预示建模 077
5.1.1 样本库构造 077
5.1.2 模型架构 078
5.1.3 模型训练与分析 079
5.2 非定常气动力预示建模 081
5.2.1 样本库构造 081
5.2.2 模型架构 081
5.2.3 模型训练与分析 082
5.3 多精度数据融合预示模型 083
5.3.1 样本库构造 083
5.3.2 模型架构设计 084
5.3.3 模型训练与分析 088
5.4 基于D最优试验设计的数据融合建模方法 088
5.4.1 样本库构造 088
5.4.2 模型架构 089
5.4.3 模型训练与分析 091
5.5 小结 093
参考文献 093
第6章 定常流动深度学习建模 094
6.1 变工况翼型绕流流场预示模型 094
6.1.1 样本库构造 094
6.1.2 模型架构 096
6.1.3 模型训练与分析 097
6.2 基于迁移学习的流场融合预示模型 100
6.2.1 样本库构造 100
6.2.2 模型架构 101
6.2.3 模型训练与分析 103
6.3 变几何翼型绕流流场预示模型 105
6.3.1 样本库构造 106
6.3.2 模型架构 108
6.3.3 模型训练与分析 109
6.4 基于深度投影的形状感知气动热预示模型 114
6.4.1 样本库构造 114
6.4.2 模型架构 114
6.4.3 模型训练与分析 116
6.5 基于三维点云的端到端气动热预示模型 117
6.5.1 样本库构造 117
6.5.2 模型架构 117
6.5.3 模型训练与分析 119
6.6 小结 119
参考文献 120
第7章 非定常流动深度学习建模 121
7.1 二维圆柱绕流深度学习模型 121
7.1.1 样本库构造 122
7.1.2 模型架构 122
7.1.3 模型训练与分析 124
7.2 跨声速抖振深度学习模型 127
7.2.1 样本库构造 127
7.2.2 模型架构 128
7.2.3 模型训练与分析 129
7.3 基于POD降阶的LSTM 深度学习模型 133
7.3.1 POD降阶方法 133
7.3.2 样本库构造 134
7.3.3 模型架构 135
7.3.4 模型训练与分析 136
7.4 面向高雷诺数湍流预测的深度学习模型 138
7.4.1 样本库构造 138
7.4.2 模型架构 140
7.4.3 模型训练与分析 141
7.5 基于实验数据的流场时空重构方法 144
7.5.1 样本库构造 145
7.5.2 模型架构 145
7.5.3 模型训练与分析 147
7.6 三维圆球非定常流动深度学习模型 148
7.6.1 网格变换拼接技术 149
7.6.2 样本库构造 150
7.6.3 模型架构 151
7.6.4 模型训练与分析 152
7.7 小结 155
参考文献 156
第8章 流固耦合系统数据驱动建模 157
8.1 含运动边界的圆柱绕流深度学习模型 157
8.1.1 样本库构造 158
8.1.2 模型架构 158
8.1.3 模型训练与分析 161
8.2 圆柱涡激振动流固耦合深度学习模型 163
8.2.1 样本库构造 164
8.2.2 模型架构 165
8.2.3 模型训练与分析 167
8.3 翼型流固耦合深度学习模型 172
8.3.1 样本库构造 172
8.3.2 模型架构 172
8.3.3 模型训练与分析 173
8.4 基于图神经网络的降落伞充气过程深度学习模型 176
8.4.1 样本库构造 177
8.4.2 模型架构 177
8.4.3 模型训练与分析 180
8.5 小结 181
参考文献 182
第9章 湍流神经网络模型 183
9.1 湍流神经网络建模概述 183
9.1.1 数据集构造 184
9.1.2 与RANS求解器结合方法 186
9.2 张量基神经网络雷诺应力模型 187
9.2.1 雷诺应力模型 187
9.2.2 神经网络建模方法 188
9.2.3 模型改进与发展 189
9.3 可压缩湍流神经网络模型 190
9.3.1 可压缩湍流建模概述 191
9.3.2 可压缩湍流模型 192
9.3.3 模型效果 196
9.4 小结 200
参考文献 200
第10章 面向偏微分方程求解的神经网络模型 204
10.1 神经网络求解偏微分方程概述 204
10.2 物理信息嵌入的神经网络求解模型 207
10.2.1 PINNs的基本思想 207
10.2.2 PDEs的数据驱动求解 208
10.2.3 PDEs的参数辨识 215
10.2.4 PINNs的局限性 217
10.3 基于深度算子神经网络的偏微分方程求解 217
10.3.1 DeepONet与FNO 218
10.3.2 基于FNO的二维N S 方程求解 220
10.4 偏微分方程智能求解的新进展 222
10.4.1 PINNs的衍生新框架 222
10.4.2 PINNs对于特定流动情况的求解及策略创新 225
10.4.3 基于深度算子神经网络方法 228
10.5 小结 230
参考文献 230
第11章 基于深度强化学习的气动优化？控制与决策模型 232
11.1 深度强化学习算法理论 232
11.1.1 强化学习基本理论 232
11.1.2 深度强化学习算法 234
11.2 基于深度强化学习的气动外形优化设计 235
11.2.1 优化设计算例 236
11.2.2 优化设计模型 236
11.2.3 优化策略学习与应用 239
11.3 基于深度强化学习的流动控制 242
11.3.1 流动控制算例 242
11.3.2 流动控制模型 244
11.3.3 主动流动控制策略学习与应用 245
11.4 基于强化学习的飞行器变形决策模型 246
11.4.1 变形决策算例介绍 246
11.4.2 决策任务模型 247
11.4.3 决策任务策略训练与应用 249
11.5 小结 250
参考文献 250
京公网安备 11010102004214号