目錄
叢書序
前言
第1章 緒論 001
1.1 引言 001
1.1.1 科學(xué)研究范式的演進(jìn) 001
1.1.2 深度學(xué)習(xí)與科學(xué)發(fā)現(xiàn) 002
1.1.3 數(shù)據(jù)驅(qū)動流體力學(xué)的提出 004
1.2 研究現(xiàn)狀 005
1.3 小結(jié) 009
參考文獻(xiàn) 009
第2章 Python編程基礎(chǔ) 013
2.1 Python語言 013
2.1.1 安裝與設(shè)置 013
2.1.2 編寫規(guī)范 015
2.1.3 常用語句 017
2.1.4 數(shù)據(jù)結(jié)構(gòu)和操作 018
2.1.5 文件處理 021
2.1.6 面向?qū)ο缶幊?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 小結(jié) 036
參考文獻(xiàn) 036
第3章 神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ) 037
3.1 神經(jīng)網(wǎng)絡(luò)算法概述 037
3.2 神經(jīng)網(wǎng)絡(luò)算法 038
3.2.1 前饋神經(jīng)網(wǎng)絡(luò) 038
3.2.2 反向傳播算法 041
3.2.3 網(wǎng)絡(luò)優(yōu)化算法 044
3.3 深度神經(jīng)網(wǎng)絡(luò)模型 050
3.3.1 全連接深度神經(jīng)網(wǎng)絡(luò) 050
3.3.2 卷積深度神經(jīng)網(wǎng)絡(luò) 051
3.3.3 生成對抗網(wǎng)絡(luò) 053
3.3.4 長短期記憶網(wǎng)絡(luò) 054
3.3.5 Transformer網(wǎng)絡(luò) 056
3.3.6 圖神經(jīng)網(wǎng)絡(luò) 058
3.4 小結(jié) 059
參考文獻(xiàn) 059
第4章 流體數(shù)據(jù)集生成 061
4.1 流體樣本生成 061
4.1.1 試驗設(shè)計方法 061
4.1.2 數(shù)據(jù)生成方法 062
4.2 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集構(gòu)造方法 064
4.2.1 無量綱化與歸一化 064
4.2.2 流場數(shù)據(jù)格式轉(zhuǎn)換 065
4.3 公開數(shù)據(jù)集介紹 067
4.3.1 定常數(shù)據(jù)集 067
4.3.2 非定常數(shù)據(jù)集 068
4.3.3 流固耦合數(shù)據(jù)集 070
4.3.4 典型流動與湍流數(shù)據(jù)集 074
4.4 小結(jié) 076
參考文獻(xiàn) 076
第5章 氣動特性數(shù)據(jù)驅(qū)動建模 077
5.1 定常氣動力預(yù)示建模 077
5.1.1 樣本庫構(gòu)造 077
5.1.2 模型架構(gòu) 078
5.1.3 模型訓(xùn)練與分析 079
5.2 非定常氣動力預(yù)示建模 081
5.2.1 樣本庫構(gòu)造 081
5.2.2 模型架構(gòu) 081
5.2.3 模型訓(xùn)練與分析 082
5.3 多精度數(shù)據(jù)融合預(yù)示模型 083
5.3.1 樣本庫構(gòu)造 083
5.3.2 模型架構(gòu)設(shè)計 084
5.3.3 模型訓(xùn)練與分析 088
5.4 基于D*優(yōu)試驗設(shè)計的數(shù)據(jù)融合建模方法 088
5.4.1 樣本庫構(gòu)造 088
5.4.2 模型架構(gòu) 089
5.4.3 模型訓(xùn)練與分析 091
5.5 小結(jié) 093
參考文獻(xiàn) 093
第6章 定常流動深度學(xué)習(xí)建模 094
6.1 變工況翼型繞流流場預(yù)示模型 094
6.1.1 樣本庫構(gòu)造 094
6.1.2 模型架構(gòu) 096
6.1.3 模型訓(xùn)練與分析 097
6.2 基于遷移學(xué)習(xí)的流場融合預(yù)示模型 100
6.2.1 樣本庫構(gòu)造 100
6.2.2 模型架構(gòu) 101
6.2.3 模型訓(xùn)練與分析 103
6.3 變幾何翼型繞流流場預(yù)示模型 105
6.3.1 樣本庫構(gòu)造 106
6.3.2 模型架構(gòu) 108
6.3.3 模型訓(xùn)練與分析 109
6.4 基于深度投影的形狀感知氣動熱預(yù)示模型 114
6.4.1 樣本庫構(gòu)造 114
6.4.2 模型架構(gòu) 114
6.4.3 模型訓(xùn)練與分析 116
6.5 基于三維點云的端到端氣動熱預(yù)示模型 117
6.5.1 樣本庫構(gòu)造 117
6.5.2 模型架構(gòu) 117
6.5.3 模型訓(xùn)練與分析 119
6.6 小結(jié) 119
參考文獻(xiàn) 120
第7章 非定常流動深度學(xué)習(xí)建模 121
7.1 二維圓柱繞流深度學(xué)習(xí)模型 121
7.1.1 樣本庫構(gòu)造 122
7.1.2 模型架構(gòu) 122
7.1.3 模型訓(xùn)練與分析 124
7.2 跨聲速抖振深度學(xué)習(xí)模型 127
7.2.1 樣本庫構(gòu)造 127
7.2.2 模型架構(gòu) 128
7.2.3 模型訓(xùn)練與分析 129
7.3 基于POD降階的LSTM 深度學(xué)習(xí)模型 133
7.3.1 POD降階方法 133
7.3.2 樣本庫構(gòu)造 134
7.3.3 模型架構(gòu) 135
7.3.4 模型訓(xùn)練與分析 136
7.4 面向高雷諾數(shù)湍流預(yù)測的深度學(xué)習(xí)模型 138
7.4.1 樣本庫構(gòu)造 138
7.4.2 模型架構(gòu) 140
7.4.3 模型訓(xùn)練與分析 141
7.5 基于實驗數(shù)據(jù)的流場時空重構(gòu)方法 144
7.5.1 樣本庫構(gòu)造 145
7.5.2 模型架構(gòu) 145
7.5.3 模型訓(xùn)練與分析 147
7.6 三維圓球非定常流動深度學(xué)習(xí)模型 148
7.6.1 網(wǎng)格變換拼接技術(shù) 149
7.6.2 樣本庫構(gòu)造 150
7.6.3 模型架構(gòu) 151
7.6.4 模型訓(xùn)練與分析 152
7.7 小結(jié) 155
參考文獻(xiàn) 156
第8章 流固耦合系統(tǒng)數(shù)據(jù)驅(qū)動建模 157
8.1 含運動邊界的圓柱繞流深度學(xué)習(xí)模型 157
8.1.1 樣本庫構(gòu)造 158
8.1.2 模型架構(gòu) 158
8.1.3 模型訓(xùn)練與分析 161
8.2 圓柱渦激振動流固耦合深度學(xué)習(xí)模型 163
8.2.1 樣本庫構(gòu)造 164
8.2.2 模型架構(gòu) 165
8.2.3 模型訓(xùn)練與分析 167
8.3 翼型流固耦合深度學(xué)習(xí)模型 172
8.3.1 樣本庫構(gòu)造 172
8.3.2 模型架構(gòu) 172
8.3.3 模型訓(xùn)練與分析 173
8.4 基于圖神經(jīng)網(wǎng)絡(luò)的降落傘充氣過程深度學(xué)習(xí)模型 176
8.4.1 樣本庫構(gòu)造 177
8.4.2 模型架構(gòu) 177
8.4.3 模型訓(xùn)練與分析 180
8.5 小結(jié) 181
參考文獻(xiàn) 182
第9章 湍流神經(jīng)網(wǎng)絡(luò)模型 183
9.1 湍流神經(jīng)網(wǎng)絡(luò)建模概述 183
9.1.1 數(shù)據(jù)集構(gòu)造 184
9.1.2 與RANS求解器結(jié)合方法 186
9.2 張量基神經(jīng)網(wǎng)絡(luò)雷諾應(yīng)力模型 187
9.2.1 雷諾應(yīng)力模型 187
9.2.2 神經(jīng)網(wǎng)絡(luò)建模方法 188
9.2.3 模型改進(jìn)與發(fā)展 189
9.3 可壓縮湍流神經(jīng)網(wǎng)絡(luò)模型 190
9.3.1 可壓縮湍流建模概述 191
9.3.2 可壓縮湍流模型 192
9.3.3 模型效果 196
9.4 小結(jié) 200
參考文獻(xiàn) 200
第10章 面向偏微分方程求解的神經(jīng)網(wǎng)絡(luò)模型 204
10.1 神經(jīng)網(wǎng)絡(luò)求解偏微分方程概述 204
10.2 物理信息嵌入的神經(jīng)網(wǎng)絡(luò)求解模型 207
10.2.1 PINNs的基本思想 207
10.2.2 PDEs的數(shù)據(jù)驅(qū)動求解 208
10.2.3 PDEs的參數(shù)辨識 215
10.2.4 PINNs的局限性 217
10.3 基于深度算子神經(jīng)網(wǎng)絡(luò)的偏微分方程求解 217
10.3.1 DeepONet與FNO 218
10.3.2 基于FNO的二維N S 方程求解 220
10.4 偏微分方程智能求解的新進(jìn)展 222
10.4.1 PINNs的衍生新框架 222
10.4.2 PINNs對于特定流動情況的求解及策略創(chuàng)新 225
10.4.3 基于深度算子神經(jīng)網(wǎng)絡(luò)方法 228
10.5 小結(jié) 230
參考文獻(xiàn) 230
第11章 基于深度強(qiáng)化學(xué)習(xí)的氣動優(yōu)化？控制與決策模型 232
11.1 深度強(qiáng)化學(xué)習(xí)算法理論 232
11.1.1 強(qiáng)化學(xué)習(xí)基本理論 232
11.1.2 深度強(qiáng)化學(xué)習(xí)算法 234
11.2 基于深度強(qiáng)化學(xué)習(xí)的氣動外形優(yōu)化設(shè)計 235
11.2.1 優(yōu)化設(shè)計算例 236
11.2.2 優(yōu)化設(shè)計模型 236
11.2.3 優(yōu)化策略學(xué)習(xí)與應(yīng)用 239
11.3 基于深度強(qiáng)化學(xué)習(xí)的流動控制 242
11.3.1 流動控制算例 242
11.3.2 流動控制模型 244
11.3.3 主動流動控制策略學(xué)習(xí)與應(yīng)用 245
11.4 基于強(qiáng)化學(xué)習(xí)的飛行器變形決策模型 246
11.4.1 變形決策算例介紹 246
11.4.2 決策任務(wù)模型 247
11.4.3 決策任務(wù)策略訓(xùn)練與應(yīng)用 249
11.5 小結(jié) 250
參考文獻(xiàn) 250