标签
本文介绍了一种基于物理感知自编码器的潜空间框架，用于参数化动力系统的降阶正向建模和变分参数估计，并在计算流体动力学基准上进行了演示。该方法实现了基于可微代理的逆向建模，并在现实噪声或部分观测条件下展现出更好的校准鲁棒性。
本文开发了神经算子代理模型，用于预测浸没边界软体游泳器周围的水动力学场（速度、涡量、压力），在保留轨迹上实现了较低的全局相对误差，同时指出压力精度和物理一致性是进一步工作的重点。
提出了MHLF，一种多层次网格分层学习框架，可将工程尺度三维飞机CFD模拟加速3至8倍，同时在亚音速、跨音速和超音速状态下保持高保真精度。
本文介绍了“数据引导的 FVM-PINN”框架，该框架利用有限体积损失来求解二维浅水方程，并证明稀疏数据指导对于防止网络在崎岖的损失景观中崩溃至关重要。
本文提出了一种新颖的深度学习方法来预测微流控装置中的惯性升力，无需显式几何参数，与以前的模型相比，该方法能够更好地泛化到未见过的通道横截面。