点击下载报名文件

目录2: 数据驱动CFD

机器学习这是一个很大的类。最近几年跟各类学习都能交叉到一起。机器学习跟CFD结合就变成了数据驱动CFD。然而有的时候很容易跑题。这里面存在商业的因素。比如说是深度学习+CFD,然后搞到做实验去了,又时候可能都跑到python编程去了(跟OpenFOAM啥关系没有)。

我这面定位明确:紧密贴合OpenFOAM环境,枪打数据驱动CFD,先学理论,然后现场写代码。 python咱也不用。咱这个纯粹基于OpenFOAM就能搞起来。因此以下内容咱没有

  • 没有机器学习+实验流体力学;

  • 没有机器学习+图像识别;

  • 没有python、jupyterbook、conda;

请大家一准要看准定位。比如你要学习机器学习+实验流体力学,咱这没有。你要搞python,咱这也没有。

数据驱动CFD是CFD的一个方向,因此这部分是整个大课的一个小的分支。但还因为这个分支跟其他的FVM方法区别太大,所以要单独拎出来讲。目前来看,机器学习这部分算法相对CFD来说要简单太多。我相信你们在听了我的讲解之后,当天就可以自由的演变。后续在这个求解器上增加点湍流模型啥的,易如反掌。

本课程所有机器学习的代码通过OpenFOAM与libtorch直挂,不需要学python,直接用OpenFOAM就能搞。

24年9月新增 一个数据驱动的多相流模型:Drag coefficient prediction for non-spherical particles in dense gas–solid two-phase flow using artificial neural network

24年9月新增 一个基于Unet、自编码器的流场重组算法:Deep Learning Methods for Reynolds-Averaged Navier-Stokes Simulations of Airfoil Flows

24年9月新增 基于OpenFOAM-libtorch环境进行全流场预测

适中 24年9月新增 采用PINN物理神经网络求解顶盖驱动流、槽道流、以及一些ODE

24年9月新增 一个数据驱动的RANS模型:A turbulent eddy-viscosity surrogate modeling framework for Reynolds-averaged Navier-Stokes simulations

24年9月新增 一个数据驱动的LES模型:Neural networks based subgrid scale modeling in large eddy simulations