经典流体力学与OPENFOAM入门一、经典流体力学

目录

主要内容

经典流体力学与OPENFOAM入门

一、经典流体力学

核心要点：

1、回顾经典流体力学理论，掌握NS方程的基本求解方法和模型

2、探索流体力学在工业领域的多元应用

3、运用开源软件OpenFOAM进行流体计算模拟的基本操作

4、流体力学求解模型认知(RNAS, LES)

实操环节：

1、OpenFOAM学习：

2、掌握OpenFOAM后处理操作

3、通过OpenFOAM获取流动信息

4、OpenFOAM多种功能使用教程：网络生成，模拟设置

5、基于OpenFOAM的矩形柱体LES模拟案例（数据与代码提供给学员）

6、OpenFOAM模拟信息的后处理获取流场与压力信息（数据与代码提供给学员）

计算流体动力学与人工智能

二、机器学习基础与应用

核心要点：

1、了解Python语言的特征，熟悉常见的机器学习算法

2、掌握使用python语言用于数据后处理

3、了解计算流体动力学与AI的结合

实操环节：

1、基于Python语言的CFD数据后处理（数据与代码提供给学员）

2、计算流体动力学与AI的结合案例讲解

三、时空超分辨率技术

核心知识点：

1、了解时空超分辨率技术的基本原理与应用

2、掌握人工智能技术在湍流时空超分辨率中的创新应用。

3、深入理解深度学习与湍流超分辨率的耦合机制。

实操环节：

1、基于深度学习的流场时序超分辨率处理（数据与代码提供给学员）

实验流体力学与人工智能

四、实验流体力学

核心知识点：

1、掌握实验流体力学的基础知识，了解相关实验设备。

2、了解机器学习技术在实验流体力学中的应用。

3、掌握Python语言进行实验数据的后处理，增强数据处理能力。

4、风洞试验

实操环节：

1、展示机器学习在实验流体力学领域的应用案例。

2、运用Python语言处理实验数据（数据与代码提供给学员）

五、人工智能与实验流体力学（流场部分）

核心知识点：

1、掌握实验流体力学数据处理的先进方法

2、了解并掌握DNN、CNN等常见深度学习技术在流场重构与预测中的应用。

实操环节：

1、基于人工智能技术的流场预测与重构方法

2、运用DNN技术进行流场预测（数据与代码提供给学员）

六、人工智能与实验流体力学（压力部分）

1、了解人工智能技术在压力预测预报的使用

2、理解融合物理知识的神经网络在误差控制项的使用

3、了解融合物理知识的神经网络(PINN)在流体力学的使用

实操环节：

1、基于人工智能技术的压力预测

2、融合物理限制(Physical   constrain) 神经网络（PCNN）的时序压力预测（数据与代码提供给学员）

空气动力学与人工智能技术

七、空气动力学与人工智能技术

核心知识点：

1、了解爬虫技术在网页数据获取的方法，掌握从开源网站获取信息的技术

2、熟悉民航机翼空气动力学性能

3、掌握基于MLP的气动性能预测方法

实操环节：

4、基于爬虫技术的网页数据获取

5、基于深度学习的机翼气动性能预测

实践案例：基于多层感知机(MLP)的民航超临界机翼气动性能预测（数据与代码提供给学员）

深度强化学习学习在流体力学中的应用

八、深度强化学习（Deep Reinforcement   Learning, DRL）

核心知识点：

1、掌握深度强化学习的主要框架

2、熟悉深度强化学习的常见算法及其应用场景。

3、理解深度强化学习中动作空间与观察空间的定义与应用。

4、理解代理模型(surrogate   model)的概念与意义

实操环节：

5、构建融合物理限制(Physical   constrain)的深度强化学习的环境空间（数据与代码提供给学员）

九、深度强化学习的工程实践

核心知识点：

6、掌握定义离散动作空间/连续动作空间的方法，提升算法设计能力

7、学习深度强化学习在工程领域的实际应用，增强解决复杂问题的能力

实操环节：

8、耦合代理模型的深度强化学习在民航飞机外形优化中的应用：

运用深度强化学习进行离散动作空间/连续动作空间的优化（数据与代码提供给学员）