人工智能驱动流体工程：从Fluent数值模拟到物理嵌入机器学习全链路实战

举办背景:面对航空航天、汽车、能源、电子散热等行业流体系统设计指标日益严苛的现状，依靠经验修正与稳态假设的传统CFD分析手段已无法胜任复杂工况下的高效率、高精度设计诉求。一方面，湍流、多相流、流固耦合等强非线性物理过程内在机制复杂，高精度数值仿真的算力开销极其高昂；另一方面，工程现场对流动主动调控、参数快速寻优、瞬态流场重构等也提出了更严苛的标准，迫切需要引入数据驱动与物理约束相融合的下一代计算架构。近些年，人工智能同计算流体力学的深度交叉为流体工程领域打开了全新通道：物理信息神经网络（PINN）可将Na