Coarse-Grid Computational Fluid Dynamic (CG-CFD) Error Prediction using Machine Learning
尽管在高性能计算方面取得了进展，但计算流体动力学（CFD）模拟对于许多实际工程应用（例如模拟大计算域和高度湍流）来说仍然是计算昂贵的。计算流体力学费用高的主要原因之一是需要一个细网格来解决相关尺度的现象，并获得一个网格独立的解决方案。精细网格的要求往往会降低计算时间步长，这使得长瞬态问题的成本过高。在本研究中，利用机器学习（ML）算法研究了粗网格CFD（CG-CFD）方法的可行性。依赖粗网格会增加离散化误差。因此，建议一种方法来产生一个代理模型，预测CG-CFD的局部误差，以纠正感兴趣的变量。给定高保真数据，训练代理模型以预测CG-CFD局部误差作为粗网格局部特征的函数。ML回归算法被用来构建一个代理模型，该模型将局部误差和粗网格特征联系起来。本文将此方法应用于一个三维流动的盖子驱动立方腔域。该方法的性能进行了评估，通过训练的替代模型的流全场的空间数据和测试的新数据（从不同的雷诺数和/或计算不同的网格大小的流量）。所提出的方法最大限度地利用现有的数据，并显示出良好的预测能力的潜力。
2017-10-25 physics.flu-dyn
A DSMC-CFD coupling method using surrogate modelling for low-speed rarefied gas flows
本文提出MMS混合方法，通过贝叶斯推理训练的代理模型耦合DSMC与CFD，解决低速稀薄气体流动模拟中CFD精度不足与DSMC计算昂贵及噪声问题，实现多尺度高效模拟。
2023-11-23 physics.flu-dyn
Towards a Scalable Hierarchical High-order CFD Solver
为大规模CFD模拟开发高度可扩展和鲁棒的算法已被确定为实现NASA CFD Vision 2030目标的关键因素之一。为了提高模拟能力和有效地利用新的高性能计算硬件，计算流体力学解决方案算法的计算最密集的部分-即，线性求解器和预处理器-需要实现大规模并行和异构体系结构上的渐近行为，并保持收敛速度作为网格进一步细化。在这项工作中，我们提出了一个可扩展的高阶隐式间断Galerkin求解器从SU 2框架使用一个有前途的预处理技术的基础上代数稀疏嵌套解剖算法与低秩近似，通信避免Krylov子空间方法，使可扩展性与非常大的处理器数量。整个方法进行了测试，一个典型的2D NACA 0012测试用例的大小不断增加，以证明其在多个处理核心的可扩展性。预处理器和线性求解器都表现出接近线性的弱缩放到2,048个核心，收敛速度没有显着下降。
2021-01-05 cs.NA math.NA physics.flu-dyn
CFD-copilot: leveraging domain-adapted large language model and model context protocol to enhance simulation automation
State Key Laboratory for Turbulence and Complex Systems（湍流与复杂系统国家重点实验室）；School of Mechanics and Engineering Science（力学与工程科学学院）；Peking University（北京大学）；HEDPS-CAPT
CFD-copilot通过领域适应的大语言模型和模型上下文协议提升CFD仿真的自动化水平。
2025-12-08 cs.AI cs.SE physics.flu-dyn
Physics Informed Neural Network-based Computational Method for Accelerating Time-Periodic Unsteady CFD Simulations
Indian Institute of Technology Bombay（印度理工学院孟买分校）
本文提出了一种基于物理信息神经网络的周期性流体动力学方法，旨在通过无网格的PINN求解器显著减少计算时间，从而加速时间周期性非稳态流体动力学仿真的计算过程。
2026-05-18 physics.comp-ph physics.flu-dyn
Recycling Krylov subspaces for CFD applications and a new hybrid recycling solver
Virginia Tech（弗吉尼亚理工大学）；IIT Indore（印度理工学院印多尔分校）
本文提出一种混合回收求解器，结合BiCGStab的高效迭代与rGCROT的鲁棒性，提升求解无粘纳维-斯托克斯方程的效率和稳定性。
2015-09-25 cs.NA math.NA physics.comp-ph
Deep Learning Interfacial Momentum Closures in Coarse-Mesh CFD Two-Phase Flow Simulation Using Validation Data
Idaho National Laboratory（爱达荷国家实验室）；Massachusetts Institute of Technology（麻省理工学院）；North Carolina State University（北卡罗来纳州立大学）
多相流现象在工业应用中已被广泛观察到，但它仍然是一个具有挑战性的尚未解决的问题。三维计算流体动力学（CFD）方法在更精细的空间和时间尺度上解析流场，这可以补充专门的实验研究。然而，必须引入封闭件以反映多相流中的基本物理特性。其中，界面力包括阻力、升力、惯性分散力和壁面润滑力，对汽液两相流中气泡的分布和迁移起着重要的作用。传统上，这些封闭件的开发依赖于实验数据和分析推导，并具有简化的假设，这些假设通常不能在广泛的流动条件下提供通用的解决方案。本文提出了一种基于数据驱动的特征相似性度量方法（FSM），并将其应用于提高粗网格CFD方法对两相流的模拟能力。绝热泡状流中的界面动量传递是本研究的重点。一个成熟的和一个简化的界面封闭集被视为低保真数据。采用验证数据（包括相关实验数据和验证的细网格CFD模拟结果）作为高保真数据。本文进行了定性和定量分析。这些结果表明，FSM可以大大提高粗网格计算流体动力学模型的预测，无论界面封闭的选择，它提供了跨不连续流态的可扩展性和一致性。它表明，数据驱动的方法可以通过探索局部物理特征和模拟误差之间的联系来辅助多相流建模。
2020-05-07 cs.LG physics.comp-ph physics.flu-dyn
Deep neural networks for fast acquisition of aortic 3D pressure and velocity flow fields
University College London（伦敦大学学院）
针对传统血管CFD计算慢、难临床落地的问题，研究构建机器学习模型，基于统计形状模型生成的主动脉数据训练，可快速高精度复现主动脉流场，速度为传统求解器的4000倍。
2022-11-04 cs.LG physics.flu-dyn
AI CFD Scientist: Toward Open-Ended Computational Fluid Dynamics Discovery with Physics-Aware AI Agents
Rensselaer Polytechnic Institute（拉特格斯理工学院）
本文提出AI CFD科学家，通过结合文献引导的构思、验证执行、基于视觉的物理验证、源代码修改和图基写作，实现计算流体力学的开放式发现。
2026-05-12 cs.AI physics.flu-dyn
Exploiting repeated matrix block structures for more efficient CFD on modern supercomputers
Heat and Mass Transfer Technological Centre, Technical University of Catalonia（热质传输技术中心，加泰罗尼亚理工大学）；Department of Information Engineering, University of Padova（帕多瓦大学信息工程系）；High Performance Computing and Visualiztion Team, SURF（SURF高性能计算与可视化团队）
提出通过将稀疏矩阵向量积转化为稀疏矩阵矩阵积并采用网格细化策略，提高CFD计算强度，在多个测试案例中实现显著加速。
2026-04-29 physics.comp-ph physics.flu-dyn
Enhancing Data-Assimilation in CFD using Graph Neural Networks
Polytechnical University of Bari（巴里理工大学）；LISN-CNRS, Université Paris-Saclay（巴黎萨克雷大学LISN-法国国家科学研究中心）；Safran Tech（赛峰科技）
本文提出用图神经网络增强伴随优化的数据同化方法，以RANS方程为物理约束重建平均流，在有限元求解框架下无需特征选择即可实现高精度重建并展现良好泛化能力。
2023-11-29 cs.LG physics.flu-dyn
Machine Learning Techniques for Data Reduction of CFD Applications
University of Florida（佛罗里达大学）；Oak Ridge National Laboratory（橡树岭国家实验室）；Sandia National Laboratories（桑迪亚国家实验室）
本文提出保证块自编码器GBATC，利用多维张量块和PCA残差投影缩减CFD时空数据，在保证误差界限下实现两个数量级缩减，压缩性能优于SZ方法。
2024-04-28 cs.LG physics.flu-dyn
Reducing Spatial Discretization Error on Coarse CFD Simulations Using an OpenFOAM-Embedded Deep Learning Framework
BCAM - Basque Center for Applied Mathematics（巴斯克应用数学中心）；University of Basque Country (UPV/EHU)（巴斯克大学）；Ikerbasque - Basque Foundation for Sciences（巴斯克科学基金会）；TECNALIA - Basque Research and Technology Alliance (BRTA)（泰克纳利亚（巴斯克研究与技术联盟））；Curtin University（科廷大学）；RWTH Aachen University（亚琛工业大学）
提出一种嵌入OpenFOAM的端到端可微深度学习框架，用神经网络替代对流项差分格式，在方柱绕流问题上将粗网格CFD模拟速度误差从120%降至25%。
2024-09-05 cs.LG physics.flu-dyn
CFD Forge: A Physics-Constrained Agentic Framework for Autonomous CFD
Carnegie Mellon University（卡内基梅隆大学）
该研究提出围绕OpenFOAM构建的CFD Forge智能体框架，结合大型语言模型处理CFD全流程任务，搭配确定性检查确保结果可信，在测试中大幅提升了自动化CFD的可靠性。
2026-10-14 physics.flu-dyn
On Elliptical Wings in Subsonic Flow: Indicial Lift Generation via CFD Simulations -- with Parametric Analytical Approximations
本文研究了基于欧拉方程的计算流体动力学支持下生成气动指标导纳函数的过程和优点。一个简单的参数解析近似的基础上，线性升力线和活塞理论，为了评估的物理一致性的数值解，同时调查在亚音速区的理论模型的适用性。因此考虑薄椭圆机翼，设计空间用三个参数描述：机翼展弦比（6、8、12、20），自由流马赫数（0.3、0.5、0.6）和气流扰动类型（迎角阶跃，垂直尖缘阵风）。所有的数值模拟都表现出良好的质量和弱敏感性的参数以外的马赫数和流动的纵横比，占其综合影响。最后，通过匹配机翼升力发展的初始和最终特性，以及在低保真模型中有效地综合高保真特性，证明了利用数值结果来调整解析近似和提高其精度的好处。
2020-01-18 physics.flu-dyn
Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations
University of Reunion（留尼汪大学）；INTEGRALE Ingénierie（INTEGRALE工程公司）
本研究提出CFD与机器学习结合的混合方法，用离线训练的神经网络单元级预测压力场时间变化作为初始值加速压力-速度耦合，在保持精度的同时显著提升泊松方程求解效率，凸显领域专用混合CFD求解器的潜力。
2024-09-11 cs.LG physics.flu-dyn
Identification of vortex in unstructured mesh with graph neural networks
Cemef Mines ParisTech | PSL University（巴黎高科矿业学院材料成形中心 | 巴黎文理研究大学）；Dpt. Fluid Mechanics, Energy, Environment (MFEE), Electricité de France（法国电力公司流体力学、能源与环境部）
提出基于图神经网络和U-Net架构的模型，用于非结构化网格CFD结果中的涡识别，通过代数多重网格构建图层次，并采用自动标注方法，在分类精度和训练效率上优于CNN，且对未见案例具有泛化能力。
2023-11-11 cs.CV physics.flu-dyn
Improvement of Printing Quality for Laser-induced Forward Transfer based LaserAssisted Bioprinting Process using a CFD-based numerical model
The University of Texas Rio Grande Valley（德克萨斯大学里奥格兰德河谷分校）；China University of Mining and Technology（中国矿业大学）；Mississippi State University（密西西比州立大学）；The University of Texas Rio Grande Valley School of Medicine（德克萨斯大学里奥格兰德河谷医学院）
本研究针对基于激光诱导前向转移的激光辅助生物打印质量受射流稳定性影响的问题，首次构建CFD模型描述射流流态以指导工艺优化，有效提升了打印质量并可准确预测液滴尺寸。
2021-03-16 physics.flu-dyn physics.med-ph
Neural-Network and Reduced-order Modeling Workflows for AI-Driven CFD: Fast Response Surfaces, Reduced Dynamics and Jet in Cross-flow Examples
Department of Aerospace Engineering, San Diego State University（圣地亚哥州立大学航空航天工程系）
该研究针对高分辨率CFD模拟成本过高的问题，提出AI驱动的CFD工作流，采用MLP与POD-SINDy分别处理标量响应与降阶动力学，通过横流喷流示例验证了方法的有效性与适用场景。
2026-08-27 physics.flu-dyn
Airfoil2Vec: Spectral Geometry-Conditioned Neural Surrogate Models for Airfoil Aerodynamics and a Downforce-Generating CFD Dataset
Ratio Labs（雷迪奥实验室）
本文提出Airfoil2Vec，一种结合谱几何编码的神经代理模型，用于快速预测翼型流场，并在新数据集上验证了其高效性与泛化能力。
2026-10-01 cs.LG physics.flu-dyn
A Validation and Uncertainty Quantification Framework for Eulerian-Eulerian Two-Fluid-Model based Multiphase-CFD Solver. Part II: Applications
本文是两部分系列的第二部分，介绍并演示了验证和不确定性量化（VUQ）框架，该框架有两个主要目的：i）。量化闭合关系参数和多相计算流体动力学（MCFD）求解器的预测的不确定性; ii）.评估求解器预测与实验测量之间的一致性。论文第一部分概述了本文的研究框架，以及相应的理论和方法.在本文中，该框架的工作流程的实施和证明了两个相关的案例研究：过冷沸腾流和绝热泡状流的壁面沸腾传热。通过两种不同的全局敏感性分析（GSA）方法：莫里斯筛选和Sobol指数的影响关闭关系参数的多个感兴趣的量（QoIs）。利用模块化贝叶斯方法对相关闭合关系的模型形式不确定性和模型参数不确定性进行了评估。通过将获得的不确定性传播通过求解器来量化QoS的不确定性。使用两种不同的验证度量：置信区间和面积度量来评估求解器预测的QoIs和实验测量之间的一致性。结果表明，该框架的适用性。
2018-10-22 physics.comp-ph physics.flu-dyn
Characterization of the VKI Plasmatron subsonic ICP jet combining optical emission spectroscopy, intrusive measurements, and CFD simulations
本文通过光学发射光谱、侵入式测量与CFD模拟相结合，表征VKI 1.2 MW ICP风洞亚声速射流，提出基于自由射流温度和动压的驻点线正向计算方法，建立了数值模拟与实验数据一致的表征框架。
2025-06-03 physics.flu-dyn
Differentiable Hybrid Neural-CFD Modelling of Wall-Bounded Turbulence: Coupled Learning of Subgrid-Scale and Wall Closures
Cornell University（康奈尔大学）；University of Notre Dame（圣母大学）
研究壁面湍流建模，提出可微混合神经 - 计算流体动力学框架，联合学习亚格子尺度和壁面边界条件，在可微流求解器中以低阶统计量为目标训练。模型性能优于基线，能外推、转移，消融研究验证联合优化必要性，训练后封闭可复用。
2026-08-24 physics.flu-dyn
Influence of image segmentation on one-dimensional fluid dynamics predictions in the mouse pulmonary arteries
计算流体动力学（CFD）模型正在成为辅助心血管疾病诊断评估的工具。图像分割的最新进展已经使心血管系统的受试者特定建模成为一项可行的任务，这在肺动脉高压（PH）的情况下尤其重要，肺动脉高压（PH）需要结合侵入性和非侵入性程序进行诊断。图像分割中的不确定性很容易传播到CFD模型预测中，使得不确定性量化对于特定于主题的模型至关重要。本研究通过将网络几何形状和连通性的不确定性传播到血压和流量预测来量化一维（1D）CFD预测的可变性。我们分析了多个分割的图像切除小鼠肺使用不同的预分割参数。自定义算法提取每个分段肺网络的血管长度、血管半径和网络连接。我们量化几何特征的不确定性，通过构建血管半径和长度的概率密度，然后从这些分布中采样，并使用一维CFD模型传播血液动力学预测的不确定性。结果表明，网络连接的变化是一个更大的贡献者血液动力学的不确定性比血管半径和长度。
2019-04-23 physics.flu-dyn physics.med-ph q-bio.QM
Scalable CFD Simulations in Multi-Billion Voxel Micro-CT Images of Porous Materials Using OpenFOAM on ARCHER2
Institute of GeoEnergy Engineering, Heriot-Watt University（赫瑞-瓦特大学地球能源工程学院）；EPCC, University of Edinburgh（爱丁堡大学超算中心）
利用ARCHER2的高性能计算能力，通过OpenFOAM实现对多十亿体素微CT图像的可扩展CFD模拟，采用体积指示函数替代复杂网格，提升大规模多孔材料流动模拟效率。
2025-12-09 physics.flu-dyn
Fine-tuning a Large Language Model for Automating Computational Fluid Dynamics Simulations
State Key Laboratory for Turbulence and Complex Systems, College of Engineering, Peking University, Beijing 100871, China（湍流与复杂系统国家重点实验室，工程学院，北京大学，北京100871，中国）；HEDPS-CAPT, Peking University, Beijing 100871, China（HEDPS-CAPT，北京大学，北京100871，中国）
通过微调领域特定LLM，实现从自然语言到CFD模拟配置的自动化，提升复杂工程流程的效率和准确性。
2025-04-21 cs.AI cs.CL physics.flu-dyn
Machine Learning-Based Optimal Mesh Generation in Computational Fluid Dynamics
Technical University of Munich（慕尼黑工业大学）；Siemens Industry Software Computational Dynamics Limited（西门子工业软件计算动力学有限公司）；Siemens AG, Technology（西门子股份公司技术部）
计算流体动力学（CFD）是工程学的一个主要子领域。相应的流动模拟的典型特征在于大量的计算资源需求。通常，需要非常精细和复杂的网格来以适当的方式解决物理效果。由于所有CFD算法至少与底层网格离散化的大小成线性比例，因此找到最佳网格是计算效率的关键。一种用于找到最佳网格的方法是面向目标的自适应网格细化。然而，这通常在计算上要求很高，并且仅在有限数量的工具中可用。在这方面的贡献，我们采用了机器学习的方法来确定最佳的网格密度。我们使用经典的方法生成优化的网格，并提出训练一个卷积网络预测任意几何形状的最佳网格密度。所提出的概念是沿着二维风洞模拟验证超过60，000模拟。使用20，000个模拟的训练集，我们实现了超过98.7%的准确率。最佳网格的相应预测可用作任何网格生成和CFD工具的输入。因此，无需复杂的计算，任何CFD工程师都可以从高质量的网格开始预测。
2021-02-25 cs.CE cs.LG physics.flu-dyn
On the verification of CFD solvers of all orders of accuracy on curved wall-bounded domains and for realistic RANS flows
本文旨在将代码验证方法扩展到曲壁边界域上的高阶精度格式实现以及真实的湍流，例如由雷诺平均Navier-Stokes（RANS）方程建模的平板边界层。两个新的制造解决方案（MS）的介绍证明有能力验证处理的滑移和无滑移边界条件的高阶框架上的弯曲域。这些MS也用于讨论边界法线计算方法对壁处解的精度阶数（OOA）的影响。此外，两个湍流边界层MS从文献中，设计来模仿真正的功能，RANS模型化的流动在附近的墙壁，比较其适用性，以实现高阶精度。通过这些实例探讨了Spalart-Allmaras（SA）湍流模型源项在壁面处的极限值、修正SA模型修正涡量项的验证、壁面湍流的网格敏感性、用解决方案验证代替代码验证的不足和非通过残差收敛最小化迭代误差的解决方案的维数。在所有情况下，演示进行的精度顺序高达六分之一。
2017-12-29 physics.comp-ph physics.flu-dyn
RoseNNa: A performant, portable library for neural network inference with application to computational fluid dynamics
Georgia Institute of Technology（佐治亚理工学院）
本文提出轻量级非侵入式 RoseNNa 库，可将训练好的 MLP/LSTM 模型转为带 C/Fortran API 的高性能 Fortran 代码，便于嵌入 CFD 等 PDE 求解器，推理速度最高较 PyTorch/libtorch 提升约10倍。
2023-07-30 cs.LG physics.flu-dyn
MeshDQN: A Deep Reinforcement Learning Framework for Improving Meshes in Computational Fluid Dynamics
Carnegie Mellon University（卡内基梅隆大学）
网格划分是计算流体动力学（CFD）中稳定和准确模拟所必需的关键但用户密集的过程。网格生成是计算流体力学（CFD）管道中的一个瓶颈。自适应网格技术允许网格自动更新，以产生手头问题的准确解决方案。现有的自适应网格化的经典技术需要求解器的附加功能，许多训练模拟，或两者兼而有之。当前的机器学习技术通常需要用于训练数据生成的大量计算成本，并且在范围上受限于训练数据流态。MeshDQN是一个通用的深度强化学习框架，用于迭代粗化网格，同时保留目标属性计算。基于图神经网络的深度Q网络用于选择要移除的网格顶点，并且在改进过程中的每一步使用解插值来绕过昂贵的模拟。MeshDQN需要在网格粗化之前进行一次模拟，同时不对流态、网格类型或求解器进行假设，只需要能够直接在CFD管道中修改网格。MeshDQN成功改进了两个二维翼型的网格。
2022-12-02 cs.LG physics.flu-dyn
Importance of the numerical schemes in the CFD of the human nose
本研究系统评估了人体鼻腔CFD模拟中数值格式等设计选择的影响，发现数值格式对结果影响最大，可导致全局压降变化超50%，呼吁在描述此类研究时明确数值格式的精度阶数。
2025-06-29 physics.flu-dyn
Design of the wavy wall in a partially heated channel using CFD simulations and human-assisted Bayesian optimization
本研究针对部分加热通道的波纹壁设计，结合CFD模拟与贝叶斯优化平衡温度波动与压力损失，对比两种形状策略，并通过人工辅助优化进一步降低代价函数且提升可制造性。
2025-09-04 physics.flu-dyn
Simulations of near-source wind development and pollution dispersion over complex terrain under different thermal conditions
建立了不同气象条件下可压缩污染物扩散的计算流体动力学（CFD）模型，求解了稳态雷诺平均Navier-Stokes（RANS）方程。创建了一个6.4公里乘6.4公里的计算域，该计算域位于地面以上1公里的复杂地形上。利用多源气象资料获得风速、气温、湍流动能及其耗散率等边界条件。为了评估模型，部署了一个由四个风速计组成的监测网络。模型的预测进行了比较，风速和浓度的SO2排放的当地焦化厂的测量。比较表明，预测的风速是合理的接近实测平均风速和平均误差在10%以内的一个位置，其中相对较快的风速记录。CFD模型还预测了不同海拔的多个地点风速变化的正确趋势。考虑到地形和气象条件的复杂性，该模型还为多种情况下的SO2浓度提供了良好的预测。
2022-11-14 physics.comp-ph physics.flu-dyn
A Liquid-Fueled Reactor Network Model for Enhanced NOx Prediction in Gas Turbine Combustors
Louisiana State University（路易斯安那州立大学）
研究针对燃气轮机燃烧室引入液体燃料反应堆网络（LFRN）框架降阶建模，通过特殊反应堆处理多相效应。经CFD模拟验证，LFRN降低NOx预测误差，保持出口温度预测准确，计算效率高，可用于快速排放评估和设计空间探索。
2026-07-13 physics.flu-dyn
High-order curvilinear hybrid mesh generation for CFD simulations
本文介绍了一种适用于高雷诺数流动模拟的高阶混合网格生成的半结构化方法。这是通过在壁面附近的粘性边界层中使用高度拉伸的单元来实现的。CADfix用于首先修复CAD几何结构中的任何可能缺陷，然后生成基于中间对象的域分解，该域用适合于生成棱柱体或六面体单元的分区包裹壁边界。后者是一个新的显着特点的方法，允许获得良好形状的六面体网格在边界层的角落或交界处。中间对象方法允许对边界层网格的“厚度”进行比通常使用推进层技术可实现的更大的控制。CADfix随后在近场区域生成棱柱体和六面体单元的混合直边网格，模拟边界层，在远场区域生成四面体单元，覆盖域的其余部分。在近场区域的网格提供了一个框架，有利于生成，通过等参数技术，层的高度拉伸的元素与点的分布在垂直于定制的壁的方向，以有效地和准确地捕捉在边界层中的流。最后一步是使用Nektar++框架中的高阶网格生成器NekMesh生成高阶网格。NekMesh使用CADfix API作为几何引擎，处理高阶网格生成过程中所需的CAD几何的所有几何查询。为了说明的目的，我们将用一个简单的几何形状，即NACA翼尖，详细地描述这种方法。最后，我们将提出两个应用程序的例子，以合理复杂的几何形状提出的美国宇航局作为计算流体动力学验证的情况。
2019-01-04 cs.CG cs.GR physics.comp-ph
Neural Network Flame Closure for a Turbulent Combustor with Unsteady Pressure
在单喷嘴液体火箭发动机大涡模拟中，采用神经网络模型代替小火焰表进行亚网格建模。在最精确的情况下，通过将NN输出值与表中的相应值进行比较，为每个火焰变量设计并测试单独的NN。气体常数、内火焰能量和火焰热容比的估算误差分别为0.0506%、0.0852%和0.0778%。火焰温度、导热系数和热容比系数的估算误差分别为0.63%、0.68%和0.86%。进度变量反应速率的估计误差也为3.59%。根据表中所有点的均方误差计算误差。开发的NN在CFD模拟中成功实施，完全取代了火焰面表。通过与基于表格的计算流体动力学结果的比较，验证了基于神经网络的计算流体动力学方法的有效性。
2020-11-30 physics.flu-dyn
Accelerating Bayesian inverse design in computational fluid dynamics using neural operators
Department of Mechanical and Aerospace Engineering, University of Tennessee, Knoxville（机械与航空航天工程系，田纳西大学，诺克斯维尔）
本文提出将神经算子代理模型嵌入MCMC采样循环，在保持后验结构的同时实现超过三个数量级的加速，用于计算流体力学中的贝叶斯逆向设计。
2026-05-25 cs.LG physics.flu-dyn
Assessment of wind energy potential of buildings by CFD simulation in dense urban environments - From Case Studies to a Dendrogram-Based Design Framework
EVCAU Laboratory, École Nationale Supérieure d'Architecture Paris-Val-de-Seine（巴黎塞纳河谷国立高等建筑学院 EVCAU 实验室）；GSA Laboratory, École Nationale Supérieure d'Architecture Paris-Malaquais（巴黎马拉盖国立高等建筑学院 GSA 实验室）；ISM Institut des Sciences du Mouvement Etienne-Jules Marey, UMR 7287 CNRS / Aix-Marseille Université（艾克斯 - 马赛大学 CNRS 7287 联合研究单位埃蒂安-朱尔·马雷运动科学研究所）
本研究提出一种经测量验证的CFD框架，用于在密集城市建筑围护结构上定位微型风力涡轮机，通过翼型加速和树状图设计工具，实现约69兆瓦时年发电量，抵消建筑6%用电量。
2026-09-15 physics.flu-dyn
A Residual Learning Approach for Unsteady Aerodynamic Load Prediction
University of Michigan（密歇根大学）
本文以NLR 7301翼型为对象，采用LSTM神经网络，通过残差学习方法学习CFD升力与Wagner模型预测值的差值，其泛化能力优于直接预测CFD升力的神经网络，可用于增强经典低阶气动力理论。
2026-08-19 cs.LG physics.flu-dyn
Bayesian neural network correction of RANS turbulence models with uncertainty quantification in separated flows
Delft University of Technology（代尔夫特理工大学）
本文提出一种贝叶斯神经网络框架，用于在分离流中对RANS模型进行不确定性意识修正，通过湍动能源项修正和张量各向异性修正，提升预测准确性并评估不确定性量化挑战。
2026-09-15 physics.flu-dyn
Instantaneous Visual Analysis of Blood Flow in Stenoses Using Morphological Similarity
针对CFD血流模拟难以直接用于临床决策的问题，提出一种基于形态学相似性的可视化系统，通过匹配120个高分辨率颈动脉分叉模型数据库中的相似案例，实现无需现场模拟的即时血流分析，为CFD在医疗实践中的应用提供了新途径。
2024-03-25 cs.GR cs.HC physics.flu-dyn
Adversarial autoencoders and adversarial LSTM for improved forecasts of urban air pollution simulations
Data Science Institute（数据科学研究所）；Imperial College London（伦敦帝国理工学院）；Leonardo Centre, Imperial Business School（帝国理工商学院莱昂纳多中心）；Department of Earth Science & Engineering（地球科学与工程系）
本文提出了一种使用深度学习（尤其是对抗性训练）来改进城市空气污染的计算流体动力学（CFD）模拟预测的方法。这种对抗性方法旨在减少预测与基础物理模型的差异。我们的两步方法将基于主成分分析（PCA）的对抗性自动编码器（PC-AAE）与对抗性长短期记忆（LSTM）网络集成在一起。一旦通过PCA获得CFD解的降阶模型（ROM），则对主成分时间序列使用对抗性自动编码器。随后，长短期记忆网络（LSTM）在PC-AAE产生的潜在空间上进行对抗训练，以进行预测。一旦经过训练，逆向训练的LSTM的性能优于以经典方式训练的LSTM。研究区域位于伦敦南部，包括繁忙交通路口的三维速度矢量。
2021-04-16 cs.LG physics.comp-ph physics.flu-dyn
Optimal mesh generation for a non-iterative grid-converged solution of flow through a blade passage using deep reinforcement learning
本文针对叶片通道流动CFD分析开发了一种基于深度强化学习的自动网格生成方法，无需迭代调整参数，可在不同配置下确定最优参数，提升模拟精度与效率。
2024-02-23 physics.flu-dyn
Towards Heterogeneous Exascale CFD with a Single Fortran Code Base: OpenMP Target Acceleration of the High-Order Unstructured Solver UCNS3D
Cranfield University（克兰菲尔德大学）；The University of Edinburgh（爱丁堡大学）
本文通过单一Fortran代码库的OpenMP目标现代化改造，实现了高阶非结构化CFD求解器UCNS3D在异构百亿亿次系统上的加速，验证了数值精度并显著提升了性能。
2026-09-09 math-ph math.MP physics.flu-dyn
An AI-based Domain-Decomposition Non-Intrusive Reduced-Order Model for Extended Domains applied to Multiphase Flow in Pipes
Imperial College London（伦敦帝国理工学院）；BP Plc（英国石油公司）；Florida State University（佛罗里达州立大学）；Newcastle University（纽卡斯尔大学）
管道中多相流的建模对高分辨率计算流体动力学（CFD）模型提出了重大挑战，这是由于该域的高纵横比（长度与直径之比）。在海底应用中，管道长度可以是几百公里，而管道直径只有几英寸。在本文中，我们提出了一种新的基于AI的非侵入式降阶模型，该模型在域分解框架（AI-DDNIROM）中能够对比训练中使用的域大得多的域进行预测。这是通过使用区域分解;降维;训练神经网络对单个子域进行预测;以及通过使用子域迭代技术来收敛整个域的解决方案来实现的。为了找到低维空间，我们探索了几种类型的自动编码器网络，这些网络以其准确和压缩信息的能力而闻名。自动编码器的性能进行评估的两个对流为主的问题：流过去的圆柱体和弹状流在管道中。为了及时做出预测，我们利用了一个对抗网络，该网络旨在学习训练数据的分布，以及学习特定输入和输出之间的映射。这类网络已显示出产生现实产出的潜力。整个框架适用于多相弹状流在水平管的一个AI-DDNIROM的高保真CFD模拟的长度为10米，纵横比为13：1，并通过模拟的长度为98米，纵横比几乎为130：1的管道的流动进行测试。从CFD模拟获得的流量的统计数据进行比较的AI-DDNIROM的预测，以证明我们的方法的成功。
2022-02-13 cs.LG physics.flu-dyn
A High-Performance, Cross-Platform Open-Source Solver for the Incompressible Navier-Stokes Equations in FEALPy
School of Mathematics and Computational Science, Xiangtan University（湘潭大学数学与计算科学学院）；National Center of Applied Mathematics in Hunan（湖南应用数学中心）；Hunan Key Laboratory for Computation and Simulation in Science and Engineering（湖南省科学与工程计算重点实验室）；National-certified Enterprise Technology Center, Kingfa Science and Technology Co., Ltd.（金发科技股份有限公司国家认定企业技术中心）
提出 FEALPy.CFD 求解器，通过后端无关设计和模块化架构实现跨平台高性能计算，降低 CFD 使用门槛。
2026-05-25 physics.flu-dyn
Neural Differentiable Modeling with Diffusion-Based Super-resolution for Two-Dimensional Spatiotemporal Turbulence
本文提出神经可微建模框架，将深度神经网络与数值PDE求解器在可微编程中结合，并用贝叶斯条件扩散模型从大尺度预测生成小尺度湍流，显著提升二维时空湍流模拟的精度与效率。
2024-06-28 physics.comp-ph physics.flu-dyn
Investigation of nonlocal data-driven methods for subgrid-scale stress modelling in large eddy simulation
基于卷积神经网络（CNN），一个强大的监督数据驱动的方法，开发了一个非局部亚网格尺度应力（SGS）模型。由于CNN具有广泛的感受野，因此它是在预测中自然考虑非局部空间信息的理想方法。本文所用的基于CNN的模型仅以原始流量变量作为输入，然后自动提取流量特征，而无需任何$priori$指导。在$priori$和$posteriori$试验中，使用$Re_τ=178$的湍流槽道流的直接数值模拟（DNS）数据训练的非局部模型，即使外推到更高的雷诺数$Re_τ=600$，也能提供接近DNS结果的物理合理的流量统计数据（如平均速度和速度波动）。在我们的模型中，后向散射也预测良好，数值模拟是稳定的。在实际的大涡模拟中，非局部模型的性能优于局部数据驱动的模型，如人工神经网络和某些SGS模型，如Smagorinsky模型。该模型也是鲁棒的，因为当检查训练中使用的空间分辨率的一半到两倍的网格分辨率时，可以获得稳定的解决方案。我们还调查了感受野的影响，并建议使用两点相关分析作为一种定量的方法来指导非局部物理模型的设计。为了将机器学习（ML）算法与计算流体动力学（CFD）相结合，提出了一种新的异构ML-CFD框架。本研究为复杂各向异性湍流大涡模拟中的SGS建模提供了有效的数据驱动非局部方法。
2021-09-03 physics.comp-ph physics.flu-dyn
Quantum-Inspired Computational Fluid Dynamics for Transient Turbulent Compressible Flows
The University of Melbourne（墨尔本大学）；Monash University（莫纳什大学）
本研究解决量子启发CFD仅适用于不可压缩流动的问题，开发首个基于TT格式的QICFD求解器，通过TGV测试验证其正确性，可并行模拟且成本低，同时指出其需改进以适配工业场景。
2026-08-28 physics.flu-dyn quant-ph
Physics-Aware Neural Network Flame Closure for Combustion Instability Modeling in a Single-Injector Engine
在单喷嘴液体火箭发动机大涡模拟中，采用神经网络作为亚网格火焰模型，以取代传统的查表法。NN训练过程提出了一个非凡的挑战。多维燃烧不稳定性问题涉及多尺度长度和非线性声学的非定常流问题中的特征时间，解决瞬态和动态平衡行为，叠加在具有非常窄的移动火焰区域的湍流反应流上。训练数据点之间的精确插值变得至关重要。建议的神经网络的一个主要的新颖的方面是，他们被训练来再现存储在一个小火焰表中的信息的相关部分，仅使用有限的数据从几个CFD模拟的单喷射器液体推进剂火箭发动机在不同的动态配置。这是通过用从燃烧模型的物理特性产生的人为数据丰富训练集，并且还通过包括火焰温度作为被训练以对其他感兴趣的火焰变量进行建模的NN的额外输入来实现的。这些物理感知的NN为基础的封闭模型首先进行离线测试，将它们直接与小火焰表进行比较，然后成功地实施到CFD模拟的小火焰表的地方，并验证各种动态配置。这些测试的结果与基于表格的CFD模拟结果相比，毫不逊色。该方法的计算优势进行了讨论。
2022-01-08 physics.flu-dyn
OpenFOAMGPT: a RAG-Augmented LLM Agent for OpenFOAM-Based Computational Fluid Dynamics
Technische Universität Ilmenau（伊尔梅瑙工业大学）；University of Stuttgart（斯图加特大学）；Beihang University（北京航空航天大学）；University of Exeter（埃克塞特大学）
OpenFOAMGPT是一种基于检索增强生成的LLM代理，用于优化OpenFOAM的CFD模拟，通过高效处理复杂任务提升工程应用效率。
2025-01-10 physics.comp-ph physics.flu-dyn
Geometry-Aware Anisotropic Boundary Correction for Aerodynamic Simulation
School of Informatics, Xiamen University（厦门大学信息学院）；Institute of Artificial Intelligence, Xiamen University（厦门大学人工智能研究院）
针对神经算子忽视边界各向异性物理行为的问题，提出几何条件各向异性边界修正框架GeoABC，利用边界几何引入方向感知修正，在2D翼型和3D汽车任务中平均降低近边界相对L2误差约38%。
2026-06-08 cs.AI physics.flu-dyn
Investigation of Numerical Diffusion in Aerodynamic Flow Simulations with Physics Informed Neural Networks
General Motors Global Research and Development（通用汽车全球研发）
本文研究了使用物理信息神经网络在气动流动模拟中是否产生数值扩散，发现其能准确模拟流体方向的迎风法，具有提升求解器精度的潜力。
2025-12-24 physics.flu-dyn
