Fluent小白必学案例 | 圆柱绕流、二维机翼流场仿真模拟
在深度学习与流体力学融合的背景下，科研边界不断拓展，创新成果层出不穷。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力量重塑流体力学领域。目前在Nature和Science杂志上发表的深度学习驱动的流体力学方面的论文主要集中以下几个方面：
1、物理模型与深度学习的融合：研究如何将传统的物理模型与深度学习算法相结合，以提高流体力学问题的预测准确性和计算效率。
2、复杂流动模拟：利用深度学习技术对复杂流动现象进行模拟和分析，包括湍流、多相流、非牛顿流体等，以揭示流动的内在规律。
3、数据驱动的流体力学研究：通过收集和分析大量的流体力学实验和计算数据，使用深度学习模型来识别流动特征和预测流动行为。
4、流场智能分析：开发智能算法对流场数据进行分析，以识别流动结构、预测流动分离和过渡等现象，提高流动控制和优化的能力。
5、流体力学中的不确定性量化：应用深度学习技术对流体力学中的不确定性进行量化和分析，以提高预测的可靠性。
6、流体力学中的优化问题：利用深度学习进行流体力学中的优化问题研究，包括形状优化、流场控制优化等，以实现更优的流体动力学性能。
这些研究性成果不仅推动了流体力学领域的科学发展，也展示了深度学习技术在解决复杂流体动力学问题中的潜力。为促进科研人员、工程师及产业界人士对深度学习在流体力学领域应用的技术掌握，北京软研国际信息技术研究院特举办本次专题培训会议，承办方互动派（北京）教育科技有限公司，会议会务合作单位为北京中科万维智能科技有限公司，具体相关事宜通知如下：
专题一 (直播4天) | （详情内容点击上方名称查看） 2025年07月25日-07月27日 2025年08月02日-08月03日 在线直播（授课五天） | |
专题二 (直播4天) | （详情内容点击上方名称查看） 2025年07月12日-07月13日 2025年07月19日-07月20日 在线直播（授课四天） | |
专题三 (直播4天) | （详情内容点击上方名称查看） 2025年07月05日-07月06日 2025年07月12日-07月13日 在线直播（授课四天） | |
培训对象
流体力学相关领域的科研人员，力学、航空航天科学与工程、工业通用技术及设备、动力工程、船舶工业、建筑科学与工程、石油天然气工业、机械工业、汽车工业、环境科学与资源利用等领域的工程师，工业自动化、机器人、智能制造等相关行业从业者，跨领域研究人员。
Fluent讲师
来自国家“985工程”重点高校，主要从事物理和数据驱动的力学建模仿真研究，近年来发表SCI论文15篇，授权三项发明专利。
研究方向包括：计算流体力学、流体力学中的机器学习方法、数据驱动的计算力学、有限元方法等。
水泥基复合材料讲师
由来自全国知名高校教授/博导，国家级青年人才带领团队讲授。长期从事机器学习与智能复合材料与结构的研究与开发，近两年以第一/通讯作者发表SCI论文20余篇，包括多个中科院一区TOP期刊发表高水平论文。发表论文谷歌引用次数超过3000次，h-index为27。团队导师担任省内力学学会理事、SCI期刊Nano Materials Science和Buildings青年编委和Frontiers in Materials客座编辑，以及超过70个SCI期刊的长期审稿人。
AI复合材料讲师
讲师来自全国重点大学、国家“985工程”、“211工程”重点高校，计算力学博士，以第一作者于Composites Science and Technology、CMAME、CS等TOP期刊发表论文多篇，授权发明专利3项。
主要研究方向：深度学习加速的FEA、多尺度分析方法、结构逆向设计等。
基于Fluent和深度学习算法驱动的流体力学计算与应用
目录 | 主要内容 | |
流体力学基础 | 一、流体力学基础理论与编程实战 1、流体力学的主要内容 2、不可压缩流体力学的基本方程 3、流体的尺度分析和傅里叶变换 4、伪谱法求解流体力学方程 案例实践： 1、有限差分法求解一维热对流扩散方程（案例教学） 2、有限元法求解非线性热传导问题（案例教学） 3、二维不可压缩N-S方程求解（案例教学） 4、顶盖驱动方腔流计算案例（案例教学）  二、Fluent简介与案例实战 1、Fluent软件基本介绍：软件功能和特点、Fluent在流体力学中的应用 2、网格划分与计算流程：网格划分技术、Fluent计算流程和步骤、 3、基于Fluent软件的稳态与非稳态流体计算 4、基于Fluent软件对两相流求解 5、Fluent仿真后处理（tecplot） 案例实践： 1、圆柱绕流、小球入水的Fluent求解流程（案例教学） 2、Fluent数据导出与制作深度学习数据AI结合训练（案例教学） 3、基于Fluent结果的Tecplot科研绘图（案例教学）  | |
线性代数数据处理 | 三、机器学习线性代数基础与数据处理 1、了解Python语言的特征，特别是向量表示 2、数据分布的度量 3、特征值分解进行主成分分析PCA 4、奇异值分解SVD 5、数据降维 6、基于Python语言的CFD数据压缩（案例教学） | |
人工智能深度学习基础 | 四、人工智能基础理论与优化方法 1、基本概念、神经网络的第一性原理 2、感知机模型 3、激活函数分类介绍 4、损失函数分类介绍 5、优化算法的分类介绍 6、Pytorch介绍及环境搭建 案例实践：Python实现基础网络架构 1、 梯度下降算法的Python实现 2、二阶函数极值问题求解（案例教学） 3、使用生成对抗网络（GANs）提高流场分辨率（案例教学）  | |
动力学神经网络 | 五、利用动力学神经网络求解微分方程 1、常微分方程数值求解及其应用 2、神经常微分方程(Neural ODE)介绍 3、使用Neural ODE求解动力学问题（案例教学） 4、动力学神经网络及其流体力学应用 5、物理信息神经网络（案例教学） 6、哈密顿神经网络（案例教学） 7、动模态分解介绍及应用（案例教学）  | |
神经网络 | 六、经典神经网络介绍与流动特征提取 1、卷积的定义与特定 2、卷积神经网络的基本结构 3、CNN如何用于流场信息预测分析，如圆柱绕流预测（案例教学） 4、Diffusion model 定义与算例（案例教学） 5、基于神经网络的流体超分辨应用（案例教学）  | |
物理融合神经网络 | 七、物理融合神经网络在湍流模拟中的应用 1、基于JAX框架的物理融合的神经网络(PINN) 2、JAX-PINN的训练专家导引 3、JAX-PINN求解圆柱绕流（案例教学）  | |
JAX-PINNS求解空气动力学 | JAX-PINN进阶案例实践：二维机翼流场的模拟预测（案例教学） | |
机器学习在智能水泥基复合材料中的应用与实践
目录 | 主要内容 | |
机器学习基础模型与复合材料研究融合 | 1. 机器学习在复合材料中的应用概述 2. 机器学习用于复合材料研究的流程 3. 复合材料数据收集与数据预处理 实例：数据的收集和预处理 4. 复合材料机器学习特征工程与选择 实例：以纳米材料增强复合材料为例，讨论特征选择、特征工程在提高模型性能中的作用 5. 线性回归用于复合材料研究 实例：线性回归和多项式回归在处理复合材料数据中的应用 6. 多项式回归用于复合材料研究 实例：多项式回归在处理复合材料数据中的非线性关系时的应用 7. 决策树用于复合材料研究 实例：决策树回归在预测水泥基复合材料强度中的应用 | |
复合材料研究中应用集成学习与支持向量模型 | 1. 随机森林用于复合材料研究 实例：随机森林在预测复合材料性能中的应用 2. Boosting算法用于复合材料研究 实例：Catboost在预测复合材料强度中的应用 3. XGBoost和LightGBM用于复合材料研究 (1) XGBoost (2) LightGBM (3) 模型解释性技术 实例：XGBoost和LightGBM在水泥基复合材料性能预测中的应用，模型比较 4. 支持向量机 (SVM) 用于复合材料研究 (1) 核函数 (2) SVM用于回归（SVR） 实例：SVR在预测复合材料的力学性能中的应用 5. 模型调参与优化工具包 (1) 网格搜索、随机搜索的原理与应用 (2) 工具包Optuna 实例：超参数调整方法，模型调参与优化工具包的应用 6. 机器学习模型评估 (1) 回归模型中的评估指标（MSE, R2, MAE等） (2) 交叉验证技术 实例：比较不同模型的性能并选择最佳模型 | |
复合材料研究中应用神经网络 | 1. 神经网络基础 (1) 激活函数 (2) 前向传播过程 (3) 损失函数 实例：手动实现前向传播 2. 神经网络反向传播与优化 (1) 梯度下降法原理 (2) 反向传播算法 (3) 随机梯度下降(SGD) 实例：实现梯度下降算法 3. 复合材料研究中的多层感知机(MLP) (1) MLP架构设计 (2) MLP的训练过程 (3) MLP在回归和分类中的应用 实例：构建简单的MLP解决复合材料中的回归问题 4. PINNs (1) PINN基本原理 (2) 弹簧振动正问题中的PINNs (3) 弹簧振动逆问题中的PINNs 实例：使用PyTorch构建PINNs 5. GAN (1) GAN基本原理 (2) 针对表格数据的GAN (3) 增强数据的评估指标 实例：构建GAN生成水泥基复合材料数据 6. 可解释性机器学习方法-SHAP (1) SHAP理论基础 (2) 计算和解释SHAP值 实例：复合材料中应用SHAP进行模型解释和特征理解 | |
论文复现机器学习综合应用以及SCI文章写作 | 论文实例解读与复现：选择两篇应用机器学习研究水泥基复合材料的SCI论文 1. Comparison of traditional and automated machine learning approaches in predicting the compressive strength of graphene oxide/cement composites. Construction and Building Materials, 2023, 394: 132179. 2. Machine learning aided uncertainty analysis on nonlinear vibration of cracked FG-GNPRC dielectric beam. Structures, 2023, 58: 105456. Ø 论文中使用的复合材料数据集介绍 Ø 论文中的复合材料特征选择与数据预处理方法 Ø 论文中使用的模型结构与构建 Ø 机器学习研究复合材料的超参数调整 Ø 复合材料研究中机器学习模型性能评估 Ø 复合材料机器学习研究结果可视化 | |
课程总结与未来展望 Ø 课程重点回顾 Ø 机器学习在复合材料中的未来发展方向 Ø 如何继续学习和深入研究 Ø Q&A环节 | ||
☆部分案例图示：
基于AI-有限元融合的复合材料多尺度建模与性能预测前沿技术
目录 | 主要内容 | |
关键理论与软件 二次开发使用方法 | 1. 基础理论： 1.1.复合材料均质化理论（Eshelby方法、代表性体积单元RVE）论文详述 1.2.有限元在复合材料建模中的关键问题（网格划分、周期性边界条件） 1.3.神经网络基础与迁移学习原理（DNN、CNN、Domain Adaptation） 1.4.纤维复合材料的损伤理论（Tsai-Wu准则、Hashin准则） 实践1：软件环境配置与二次开发方法实践 ☆ ABAQUS/Python脚本交互（基于论文中RVE建模案例） ☆ ABAQUS GUI操作与Python脚本自动化建模 ☆ 输出应力-应变场数据的文件格式标准化 ☆ ABAQUS二次开发框架搭建 ☆基于ABAQUS二次开发程序的Hashin/Tsai-Wu失效分析有限元实践 ☆ TexGen软件安装及GUI界面操作介绍、Python脚本参数化方法 ☆ 三维编织/机织纤维复合材料几何模型及网格划分方法 | |
多尺度建模与数据生成方法 | 1. 复合材料多尺度建模与仿真分析方法 1.1.多相复合材料界面（纤维/基质界面）理论机理（Cohesive模型） 1.2.连续纤维复合材料RVE建模（纤维分布算法、周期性边界条件实现） 1.3.参数化设计：纤维体积分数、纤维直径随机性等对性能的影响 1.4.双尺度有限元仿真方法原理及理论（FE2方法） 1.5.直接双尺度有限元仿真方法原理及理论方法（Direct FE2方法） 实践2：大批量仿真分析与数据处理方法 ☆ 考虑界面结合（Cohesive模型）的复合材料分析模型建立 ☆ 基于Python的ABAQUS批量仿真（PyCharm嵌入ABAQUS计算内核） ☆ 基于PowerShell调用Python FEA脚本解决动态内存爆炸问题 ☆ 控制纤维体分比的纤维丝束生成算法（RSE） ☆ 编写脚本生成不同纤维排布的RVE模型 ☆ 输出训练数据集（应变能密度、弹性等效属性等） ☆ ABAQUS实现Direct FE2方法仿真分析（复合材料） | |
深度学习模型构建与训练 | 1. 深度学习模型设计： 1.1.基于多层感知机（DNN）的训练预测网络 1.2.基于卷积神经网络（CNN）的跨尺度特征提取网络（ResNet/DenseNet） 1.3.复合材料的多模态深度学习方法（结构特征提取+材料属性） 1.4.三维结构（多相复合材料/单相多孔材料）的特征处理及预测方法 1.5.物理信息神经网络（PINN）：将物理信息融合到深度学习中 1.6.迁移学习策略：预训练模型在新型复合材料中的参数微调 实践3：代码实现与训练 ☆ 深度学习框架PyTorch/TensorFlow模型搭建 ☆ 构建多层感知机（DNN）的训练预测网络 ☆ 数据增强技巧：对有限元数据进行噪声注入与归一化 ☆ 构建二维结构的特征处理及预测网络（CNN—ResNet/DenseNet）+多模态学习预测 ☆ 构建三维结构的特征处理及预测网络（三维卷积神经网络） ☆ 建立物理信息神经网络（PINN）学习预测模型 | |
迁移学习与跨领域应用 | 1. 迁移学习理论深化 1.1.归纳迁移学习与迁移式学习理论深入详解与应用 1.2.归纳迁移学习在跨领域学习预测中的应用 1.3.领域自适应（Domain Adaptation）在材料跨尺度预测中的应用 1.4.案例：碳纤维→玻璃纤维、树脂基质→金属基质的性能预测迁移 实践4：基于预训练模型的迁移学习 ☆ 迁移学习神经网络模型的搭建 ☆ 归纳学习方法：加载预训练模型权重，针对新材料类型进行微调 ☆ 领域自适应：使用领域自适应方法预测未知新材料相关属性 ☆ 使用TensorBoard可视化训练过程与性能对比 实践5：端到端复合材料性能预测系统开发 ☆ 参数化建模→有限元计算→神经网络预测→结果可视化全流程实现 | |
☆部分案例图示：
1. 交叉融合：CFD工具 + AI前沿技术
无缝衔接传统与新兴方法：从Fluent软件实战到深度学习算法（CNN、GANs、Neural ODE、PINN），系统讲解如何利用Fluent生成数据驱动AI训练（如流场超分辨、特征提取）。
覆盖完整技术链：包含数据预处理（PCA/SVD降维）、模型构建（Pytorch实现）、物理约束嵌入（PINN）、结果可视化（Tecplot）全流程。
2. 前沿AI技术聚焦流体力学应用
物理信息驱动：重点教授物理融合神经网络（PINN）和神经常微分方程（Neural ODE），将流体控制方程嵌入网络损失函数，提升模型物理可信度与数据效率。
创新场景实战：GANs提升流场分辨率、基于CNN的圆柱绕流预测、JAX-PINN求解复杂流场（如机翼绕流）、哈密顿神经网络守恒律建模等等。
3. 双轨并重：理论推导 + 工业级案例实操
基础理论扎根：从流体方程（N-S方程、傅里叶分析）到AI第一性原理（感知机、优化算法、卷积定义），夯实数理基础。
案例贯穿：传统CFD案例，CFD数据降维案例，CFD数据导出制作AI数据及训练、神经网络求解微分方程问题、神经网络流场信息预测、物理融合神经网络湍流模拟等前沿应用案例。
4. 紧贴科研与工程痛点
解决实际瓶颈：针对CFD计算成本高、复杂流场解析难等问题，提供AI加速方案（如超分辨模型、PINN替代仿真）。
工具链整合：融合工业标准软件（Fluent、Tecplot）与开源AI生态（Python/Pytorch/JAX），提升成果落地能力。
“传统CFD工业软件×深度学习前沿算法×物理机理约束”三维融合，通过20+案例，培养学员利用AI突破流体力学计算瓶颈的能力，适用于航空航天、能源动力、船舶水利等领域高效研发。
1、跨学科前沿融合：聚焦材料科学中的实际痛点（如强度预测、性能优化），通过算法驱动研究创新，为学员提供交叉学科研究的系统性方法论。
2、全流程实战导向：以“数据→模型→应用→论文”为主线，覆盖复合材料研究的全流程
数据层面：从数据采集、预处理到特征工程，结合纳米材料增强案例详解数据优化策略；
模型层面：从基础回归模型（线性/多项式回归）到高级技术（集成学习、神经网络、PINNs、GAN），通过真实数据集（如水泥基复合材料力学性能）对比不同模型的优劣；
应用层面：结合PyTorch、Optuna等工具实现模型构建、调参与优化，并通过SHAP解释模型决策逻辑，提升结果可信度；
成果转化：复现两篇顶刊SCI论文，解析实验设计、超参数调整与可视化方法。
3、技术深度与广度：涵盖经典机器学习（SVM、随机森林）、自动化调参（XGBoost、LightGBM）、深度学习（MLP、GAN）、物理信息神经网络（PINNs）等多元技术；针对复合材料特性，如非线性力学关系、小样本数据，设计专项解决方案。
4、工具链与可解释性并重：引入工业级工具（PyTorch、Optuna）实现高效建模与超参数优化；强调模型透明性，通过SHAP值分析特征贡献度，助力结果的可解释性与学术说服力。
5、科研赋能与成果落地：提供顶刊论文复现模板，拆解实验设计、图表制作与写作逻辑；探讨机器学习在复合材料中的未来趋势，引导学员规划长期研究方向。
1、多尺度建模技术融合：不仅涵盖了复合材料从微观到宏观的多尺度建模理论，还特别强调了有限元方法与神经网络建模的融合，提供了全面的视角来理解建模中的多尺度问题。
2、工业级科研工具链实战：以ABAQUS二次开发为核心，集成PyCharm调试、PowerShell任务调度、TensorBoard可视化，构建接近工业场景的自动化仿真-学习流水线。
3、技术深度与广度：从复合材料均质化理论和有限元建模开始，到更高级的神经网络建模、深度学习和迁移学习，逐步深入，确保学员能够掌握不同复杂度的技术。
4、“物理+数据”双引擎驱动：突破纯数据驱动模型的“黑箱”局限，将Hashin准则、周期性边界条件等物理规则嵌入神经网络（如PINN），提升模型可解释性与外推能力。
5、端到端系统交付能力培养：最终实践环节封装“参数化建模→仿真→预测”流程为独立系统，输出GUI界面或API接口，衔接学术成果与工业落地。
时间地点
基于Fluent和深度学习算法驱动的流体力学计算与应用
2025年07月25日-07月27日
2025年08月02日-08月03日
在线直播（授课五天）
机器学习在智能水泥基复合材料中的应用与实践
2025年07月12日-07月13日
2025年07月19日-07月20日
在线直播（授课四天）
基于AI-有限元融合的复合材料多尺度建模与性能预测前沿技术
2025年07月05日-07月06日
2025年07月12日-07月13日
在线直播（授课四天）
报名费用
（含报名费、培训费、资料费）
基于Fluent和深度学习算法驱动的流体力学计算与应用：￥4900元/人
机器学习在智能水泥基复合材料中的应用与实践：￥4600元/人
基于AI-有限元融合的复合材料多尺度建模与性能预测前沿技术：￥4500元/人
【注】费用提供用于报销的正规机打发票及盖有公章的纸质通知文件；北京中科万维智能科技有限公司作为本次会议会务合作单位，负责注册费用收取和开具发票，可开具会议费发票和发送会议邀请函；
增值服务
1、凡参加学员将获得本次课程电子课件资料及案例文件；
2、凡参加本期Fluent课程学员本人可免费参加一次由本单位举办的相同专题的课程；
3、课程结束可获得本次所学专题全部回放视频；
4、价格优惠：
（1）2025年06月13日前报名缴费可享受300元早鸟价优惠；
（2）老学员或两人（含）以上团报可享受每人额外200元优惠；
5、参加课程并通过试的学员，可以获得：主办方北京软研国际信息技术研究院培训中心颁发的专业技能结业证书；
