27日上午,南京航空航天大学吕宏强教授回顾了团队20余年来在“AI for Science”与“AI for Engineering”领域的探索,报告《部分AI for science and engineering》涵盖了流场智能预测、结构识别、网格智能化技术以及水上飞机载荷预测、声爆数据智能分析和高阶激波捕捉,阐释了AI+数据生成、代理模型和网格自适应等关键技术面临的挑战。上海交通大学李伟鹏教授针对航空飞行器低阻力与低噪声设计中遇到的高维参数化与庞大计算需求,提出了嵌入FFD-PAC生成对抗网络、Decoder-DeepONet算子神经网络和Resolvent-DeepONet网络构架,在《机器学习辅助气动与噪声一体化设计初探》的报告中展示了这一创新路径。中国计量大学于明州教授在其《Numerical Methods for Resolving Polydispersed Particle-Laden Flows》报告中,详细介绍了利用泰勒级数展开矩方法(TEMOM)结合Radial Basis Function求解多分散颗粒流问题的数值策略,论证了该方法在经济性与普适性方面的优势,为复杂粒子系统建模提供了全新思路。中国空气动力研究与发展中心刘大伟主任解析了高雷诺数试验中复杂流动结构模拟的难题,其《高雷诺数地面试验模拟的数智化研究进展与展望》报告展示了利用多源数据驱动神经网络与半实物仿真平台提升气动特性建模精度的先进应用,并对流场重构与平行试验的未来进行了展望。
西安交通大学陈刚教授在《复杂流动数据驱动建模与智能预测方法研究进展》中分享了定常与非定常流动、复杂三维流场建模以及流固耦合机器学习模型的最新研究成果,同时介绍了变形翼降阶模型在智能预测中的初步应用探索。浙江大学蔡声泽教授针对双帧粒子匹配与全局流场反问题计算的挑战,提出了基于深度学习的粒子图像测速及物理启发式神经网络方案,并在报告《复杂流场环境的智能建模与控制》中结合强化学习实现智能体导航控制,展现了多层次技术融合的优势。上海大学王伯福教授介绍了基于DenseNet、ConvLSTM、自编码网络与循环神经网络构建的混合神经网络模型,在《基于混合神经网络的流动预测方法》中实现了单点预测、二维及三维流场重构与稀疏数据映射,证明了多模型组合在提高预测准确性和效率方面的显著效果。中山大学莫梓伟副教授通过《面向低空经济的城市大气流场研究:湍流特征、模拟预测与路径规划》,详细阐述了城市低空大气流场中风场与湍流特性的精细模拟,并结合降阶模型和机器学习算法实现了快速重构,探讨了低空飞行安全评估与路径优化的策略。上海张江数学研究院许鹏博研究员利用全球与局部模块并行结构开发的区域天气预报模型YingLong,在《YingLong-weather: A Study of Data-driven Limited Area Model for Weather Forecasting》中展示了在温度、湿度和风速预测上与传统模式相当的表现,并大幅提升了运行速度,提出了全新的数据驱动区域气象预报技术路径。
浙江大学夏振华副教授给出了《可压缩槽道湍流的平均剖面预测》报告,提出了一种基于可压缩壁湍流速度变换和中心温度半经验公式的反演方法,实现了对平均速度、密度和温度剖面的快速预测,并探讨了该方法在可压缩管流中的推广应用。西北工业大学徐家宽教授在《工程设计中的若干转捩-湍流难题及其虚拟仿真建模研究》报告中,分享了在工程实践中遇到的转捩与湍流问题(如飞行器起降分离流、发动机内流等)及其数据驱动虚拟仿真建模解决方案,并对未来高可信度虚拟仿真系统的发展方向提出了展望。中国科学院数学与系统科学研究院于海军研究员通过报告《OnsagerNet: A thermodynamically consistent deep model reduction method for complex dynamical systems》,介绍了结合深度学习与广义Onsager原理寻找低维模型的结构化方法,所得到的降阶模型数学上严谨且物理上可解释,并展示了在确定性和随机性动力系统中的应用数值结果。华南理工大学杨延年副教授在《数据驱动的旋翼性能预测》报告中,针对无人机旋翼中桨尖修正模型及气动载荷与噪声预测问题,利用CFD数据建立普朗特修正模型,并结合神经网络构建流场与载荷、噪声映射,实现了对旋翼性能的高精度数据驱动预测。北京航空航天大学王文康副教授给出了《湍流边界层-多孔界面耦合机理与优化控制》报告,利用数据驱动的因果推断和高维参数优化方法提出了新的湍流边界层与多孔界面耦合机理解释,并为基于多孔界面的湍流控制提供了一种全新的优化技术路线。