AI 词汇表
人工智能完整词典
纳维-斯托克斯方程
描述牛顿流体运动的偏微分方程组，结合了质量守恒和动量守恒，是流动建模的基础。
物理信息神经网络 (PINNs)
一种神经网络架构，将物理定律作为约束条件整合到损失函数中，从而无需监督训练数据即可求解偏微分方程。
人工智能辅助计算流体力学 (CFD)
一种混合方法，将传统计算流体力学与机器学习技术相结合，以加速仿真并提高预测精度。
人工智能湍流建模
利用神经网络对湍流亚网格尺度进行建模，用基于数据的方法替代传统的雷诺平均纳维-斯托克斯 (RANS) 模型。
基于自编码器的模型降阶
一种降维技术，使用自编码器识别流体流动的主要模态，从而在保留物理特性的同时实现实时仿真。
神经格子玻尔兹曼方法
一种仿真方法，用神经网络替代格子玻尔兹曼方法中的碰撞和传播算子，以提高计算效率。
用于流场生成的生成对抗网络 (GAN)
经过训练以生成逼真流体流场的生成对抗网络，加速了 CFD 仿真中初始条件和边界条件的生成。
人工智能-物理混合求解器
结合传统数值求解器与深度学习模型的算法，用于修正误差并加速流体仿真的收敛。
流体动力学中的迁移学习
调整在特定流动状态下预训练的AI模型，以预测不同条件下的行为，从而显著降低计算成本。
用于流动分割的U-Net
一种专门优化的U型卷积神经网络架构，用于识别和分割湍流速度场和压力场中的相干结构。
基于AI的流体拓扑优化
应用强化学习来优化流体系统中的几何形状，以最小化压降或最大化混合性能。
神经亚格子模型
替代传统LES湍流模型的神经网络，用于直接在大尺度模拟中捕捉未解析的小尺度效应。
流体不稳定性预测
使用LSTM等时间序列模型来预测流动中不稳定性的出现和演变，从而实现预防性的主动控制。
流体力学中的深度配点法
一种训练方法，通过在物理域内智能分布配点，确保对Navier-Stokes方程的精确表示。
CFD中的变分自编码器
学习流动状态潜在分布的生成模型，用于实现对新相干流场的插值、外推和采样。
无网格神经求解器
基于深度学习的求解器，消除了对传统网格的需求，利用径向基函数或其他无网格方法来求解流动。
用于流体网络的图神经网络
应用图神经网络对复杂通道或管道网络中的流动进行建模，其中系统的拓扑结构自然地由图表示。
基于强化学习的主动流动控制
利用强化学习开发实时的最优控制策略，以减少阻力或消除边界层分离。