购买须知
盗版必究
直播背景：
近年来，随着人工智能技术的迅猛发展，深度学习与物理建模的融合正在重塑传统计算科学格局。特别是在流体力学与多孔介质渗流模拟领域，面对微观结构复杂、参数不确定性高、传统数值方法计算成本昂贵等问题，基于数据驱动或物理引导的深度学习方法展现出前所未有的潜力。
本课程旨在帮助科研人员与工程从业者深入理解这一交叉前沿，掌握深度学习在流体模拟中的应用思路、建模方法与工程实践技巧，探索从“物理公式”到“智能预测”的新范式。
直播目的：
理解深度学习在流体力学与渗流建模中的优势与局限；
掌握微观结构数据处理与多孔介质建模的关键技术；
了解Physics-Informed Neural Networks (PINNs)等前沿方法在物理建模中的实际应用；
拓展科研与工程问题中的AI建模思维，提升跨学科解决问题的能力。
直播大纲：
前沿趋势与挑战概述
微尺度流动模拟中的难点与需求
深度学习如何赋能传统流体模拟
流体力学中的AI建模框架
数据驱动建模 vs. 物理引导建模
卷积神经网络（CNN）、图神经网络（GNN）在渗流模拟中的案例介绍
Physics-Informed Neural Networks (PINNs)
基本原理与结构解析
在多孔介质渗流与裂缝流动中的应用举例
微观结构构建与图像处理方法
从CT图像/图像生成重建孔隙结构
数据集构建与预处理方法
案例分析与实操分享
AI辅助页岩气孔隙流模拟
智能建模在碳封存与地热中的应用前景
问答与交流
实际研究/工程中遇到的AI建模难题现场答疑
与讲师互动交流思路与方法
当前暂无评论，小编等你评论哦！
