有人对Machine Learning+CFD感兴趣么
-
我的研究方向就是这个。。。
-
【【吴恩达-2022-中英字幕】令人醍醐灌顶的机器学习（我愿称之为人工智能AI教程天花板）】 https://www.bilibili.com/video/BV1pZ4y1v7Cf/?share_source=copy_web&vd_source=fba9ec24547e03fdba24485fc0a744a5
-
mark一下， 回头来学习
-
最近流体+AI很热门啊，天气预报的工作频繁登上Nature
之前在这里学习过一段时间OpenFOAM，现在专门做AI了。
我主页：
https://air.tsinghua.edu.cn/info/1046/1555.htm
感兴趣的欢迎交流合作。我觉得这个方向主要是CFD部分比较困难，深度学习和PyTorch很容易学。搞AI的人不愿意花时间学CFD，还是比较适合我们做CFD出身的
带我个nature子刊
-
看了下PINN，其实和现在视频编码领域流行的隐式表征方法是一样的。不过隐式表征能直接拿偏微分方程做loss，学会流场，还是感觉挺震撼的。看起来PINN做反问题、实时仿真和流体控制是一把好手
-
之前调研过一些用PINN解NS方程的论文，总的用时貌似不会比用cfd软件要快（因为要反复学习流场更新神经网络的参数，网络学习完成后预测过程是很快的），我感觉优势主要体现在能解反问题，通过一个算好的物理场来预测控制方程的一些参数，比如动力学粘度之类的
-
如果是深度学习或者PINN的话，待求的参数应该是和你的神经网络的层数以及不同网络的节点数相关的（以最简单的全连接神经网络为例，深度学习的更复杂一些）。参数确实很多，所以需要的数据量也要很多，如果参数和数据不匹配就会出现过拟合和欠拟合的问题（可以参考曲线拟合的意思，把他当成一个非线性求解器）。
再来就是拟合好了就行的问题，这个可能得看这个模型的适用范围了，深度学习或者PINN里的快都是体现在对训练好的模型直接预测这步上的，但是实际上最花时间的是“学习”，就是确定神经网络的这些参数的过程，拟合好了后，有些问题在内插的情况下是比较好的，但是外延可能不一定很好，可能就要进一步改进这个神经网络。
-
v我50， 我来跑
-
上图PINN，下图inr视频压缩。是不是很像？都是输入坐标和时间，用神经网络来学习一种隐式表示。感兴趣的老哥带带我
-
李 李东岳 被引用 于这个主题 2024年3月3日 07:47
-
我是做pinn进行流场预测的，但是我本身是计算机出生，学cfd也遇到很多困难
-
@robin_uuo 我是做CFD的，现在也打算用PINN做流场预测，可以交流一下吗
-
@robin_uuo 在 有人对Machine Learning+CFD感兴趣么 中说：
我是做pinn进行流场预测的，但是我本身是计算机出生，学cfd也遇到很多困难
@admin 在 有人对Machine Learning+CFD感兴趣么 中说：
@robin_uuo 我是做CFD的，现在也打算用PINN做流场预测，可以交流一下吗
我也是做CFD的，最近正在学ML和DL，要不我们互相加联系方式交流交流？
15/28