题 目：深度学习在计算流体力学中的应用探讨
报 告 人：王一伟 教授 （中国科学院力学研究所）
时 间：2019年6月13日（周四）13：30
地 点：延长校区行健楼1109
摘 要：近年来，深度学习方法兴起已大量的应用于各类工程问题，针对CFD领域长期存在的基础模型复杂、运算量大、难以集成等瓶颈，有条件推进模拟方法的智能化发展。本报告将讨论典型的深度学习方法在CFD领域应用的可能性，并基于湍流模型修正和流场识别两个算例报告典型的深度学习应用方式。第一个算例基于张量基神经网络结构，从DNS或精细模拟LES数据出发，探索通过平均流场特征进行雷诺应力建模的方法，初步得到了基于深度神经网络的修正湍流模型，并应用于典型的流动求解中。第二个算例以圆柱绕流为典型对象，探索了自适应的流场特征识别方法。首先通过对流动信息的特征提取以及与流场敏感量的联系，建立了基于深度卷积神经网络的流场识别模型。进一步，基于自动编码器、迁移学习等手段，对于模型中网络特征提取能力的推广性和提取特征定量化进行了研究和拓展。结果表明深度学习方法能够作为一种流场的特征提取和识别方法，在未来得到更广泛的应用。
