数据驱动融合CFD计算-以fluent为例

在深度学习与流体力学深度融合的背景下，科研边界不断拓展，创新成果层出不穷。尽管经过数十年的研究和工程实践进展，计算流体动力学（CFD）技术仍面临诸多挑战如计算成本高昂、难以捕获湍流等亚尺度特征，以及数值算法的稳定性问题等。另一方面，机器学习（ML）以其从观测数据中学习模式和动态的能力而著称，最近已具有可以重塑或增强任何一般科学领域的趋势。将ML技术与大量流体动力学数据结合，为促进CFD领域的发展提供了一种全新的变革性的方法。从物理模型融合到复杂流动模拟，从数据驱动研究到流场智能分析，深度学习正以前所未有的...【查看原文】