本课适合哪些人学习：
1. 从事船舶水动力、螺旋桨、摆线推进器及船舶推进系统研究的工程师和科研人员。
2. CFD、CAE、流体仿真及数值计算工程师。
3. 从事PINN、科学机器学习、流场代理模型和AI for Science研究的技术人员。
4. 从事船舶推进系统快速设计、性能优化、数字孪生及智能仿真的产品经理和研发人员。
5. 船舶与海洋工程、流体力学、计算力学、人工智能等相关专业的高校教师、科研人员和学生。
6. 希望了解AI与传统CFD融合应用的科研人员、学生及工程技术人员。
你会得到什么：
1. 了解船舶推进系统多工况、强耦合和非定常流场预测所面临的主要技术难题，以及传统CFD和纯数据驱动模型的局限。
2. 理解物理信息神经网络及物理约束代理模型的基本原理，掌握将CFD数据、流体控制方程和工程先验相结合的建模思路。
3. 掌握“CFD数据生成与处理→输入输出构建→物理约束设计→模型训练→未知工况预测→流场与载荷验证”的完整技术流程。
4. 了解周期相位编码、傅里叶特征映射、多参考系嵌入、壁面距离感知和渐进物理约束等关键方法及其适用场景。
5. 通过摆线推进器和门舵–螺旋桨案例，了解如何预测压力、速度、涡量及壁面载荷，并进一步评估推力和力矩等工程指标。
6. 客观认识PINN在复杂工程流场中的能力边界、误差来源和验证要求，为推进系统快速设计、参数优化及数字孪生建模提供参考。
课程介绍：
船舶推进系统的设计与分析，离不开压力、速度、涡量以及壁面载荷的准确判断。传统CFD能够提供高保真的数值结果，但每增加一个工况，通常都要重新经历迭代求解与后处理。当工况连续变化、优化需要反复调用时，成本会迅速累积。PINN和物理约束代理模型的核心优势，是把离散的CFD样本转化为一个可以连续查询的函数。训练完成后，我们可以输入空间位置、时间或工况参数，快速得到对应流场；同时，控制方程、边界关系和多物理量一致性又为模型提供额外的学习方向。
