该文综述物理信息机器学习在流体力学中的应用,涵盖:结合U-Net与有限差分法求解稳态Navier-Stokes方程;用GOY模型研究小尺度湍流;提出边界条件感知的局部学习方法预测Advection-Diffusion Reaction系统状态;用扩散模型生成物理一致合成数据以缓解数据稀缺;将深度学习融入有限元求解Navier-Stokes并学习亚网格闭包;从分子模拟自动发现连续体模型;改进雷诺应力建模;用3D卷积自编码器从视频估计液体黏度;端到端学习二维湍流,提速40-80倍;引入隐藏变量建模大Knudsen数等离子体。
本文综述了深度学习在偏微分方程降阶模型中的应用,涵盖卷积自编码器、LSTM、beta-VAE、图神经网络等方法,用于湍流建模、流体力学和空气污染模拟,实现大幅加速并保持物理一致性。
完成下面两步后,将自动完成登录并继续当前操作。