标签：流体力学

流体/CFD

通过N=128分辨率数值模拟，研究随机激励二维不可压缩Navier-Stokes方程在快速平流极限下稳态分布向大尺度集中的现象。

流体/CFD

提出周期物理信息神经网络（P-PINN）框架，实现参数化周期流的纯物理驱动求解与有限幅生气动弹性响应分析。

流体/CFD

建立指数欧拉方法对二维随机反应-扩散-平流方程在多临界点快速哈密顿平流下的渐近保持性，通过强收敛分析证明极限格式的有效性。

流体/CFD

提出SO(3)等变神经网络预测微颗粒在Stokes流动中的完整6×6阻力矩阵，超越传统标量阻力关联方法，同时保留取向依赖与旋转响应信息。

流体/CFD

提出基于复指数函数的周期激活函数架构，为PINNs重建对流流动提供优于正弦激活MLP的方案，提升流场建模精度。

CFD

基于 UNet 架构的 36M 参数 Navier-Stokes 方程求解器模型，采用 PWC（逐点耦合）策略实现流场高精度预测。

CFD

基于U-Net架构的36M参数监督学习模型，专注求解Navier-Stokes流体力学偏微分方程，发布于HuggingFace模型库。

流体/CFD

针对输运主导系统，提出结构感知数据驱动降阶模型（ROM），利用 kinetic defect 公式分离特征输运与激波流形上的熵缺陷，提升低维线性子空间对移动前缘和激波的表征能力。

物理信息神经网络

HuggingFace 上的潜在流 PINN 聚类模型仓库，提供基于物理信息神经网络的势流建模资源。数据集以势流理论为基线，提供 PINN 训练所需的边界条件 / 控制方程模板，适合课堂与论文复现。

流体/CFD

提出改进FNO通过时间增量预测建模二维Rayleigh-Bénard对流，实现314k参数、7ms推理的高效模型，揭示训练数据分辨率对泛化精度的限制。

流体/CFD

针对复杂山地地形的三维风场预测难题，提出基于Transformer的神经算子方法，突破传统CFD依赖专家密集网格生成和高成本迭代求解的瓶颈。

流体/CFD

提出Mollified-Sharp分解方法，通过概率分布对移动激波进行正则化处理，增强参数化降阶模型对含激波流动的捕捉能力。

通用科学ML

提出一种基于复指数函数的改进周期性激活函数，用于PINNs从稀疏速度数据重建对流流动温度场，测试表明优于传统正弦激活MLP。