【报告时间】：2022-04-13 上午9：00

【报告地点】：东九A256

【报告内容简介】：

报告1：基于机器学习的某型飞行器气动特性快速预测研究

报告人：蔺佳哲博士

简介：随着机器学习技术的兴起，以神经网络为代表的机器学习模型开始应用于众多学科领域。为了实现某型飞行器气动特性的快速预测，借助工程算法，构建了飞行器气动数据集，以此训练飞行器气动特性预测模型，包含CatBoost等经典机器学习模型，基于多任务学习的神经网络（Multi-Task Learning Neural Network ，简称 MTLNN）模型以及在 MTLNN模型基础上内嵌物理知识的 PIMTLNN 模型。数值模拟通过选取测试集，对比了不同模型的预测效果，结果表明 PIMTLNN 模型的预测精度较高，且基本控制在 1%以内。由于PIMTLNN 模型引入了气动特性参数之间的物理机理，模型对训练样本数量的依赖程度降低，可以进一步节约数据获取成本，为飞行器优化设计提供有力工具。

报告2：流场关键信息智能提取及流场智能预测技术研究

报告人：王岳青

摘要：

流场中存在纷繁复杂的特征，例如涡和激波，这些特征对于复杂流动现象的认知和物理现象本质的探索具有极为重要的意义。随着高性能计算技术的迅速发展，流场数据复杂性和数据量显著提高，如何高效地从海量流场数据提取关键信息成为了研究热点。近年来随着深度学习方法在图像识别领域取得的突破性的进展，基于深度神经网络的特征学习已成为图像目标检测的主流。本报告主要结合深度学习技术，介绍涡、激波等空间特征的智能提取算法，并介绍非定常流场在时间纬度的关键时间步智能提取方法，最后汇报了我们在CFD智能化技术方面的一些进展。