2023年11月28日下午，由北京理工大学研究生院主办、前沿交叉科学研究院承办的“百家大讲堂”在3号楼146报告厅举行。应前沿交叉科学研究院毛雪瑞教授邀请，韩国国家工程院院士Kyung Chun Kim教授带来题为《人工智能在流体力学中的应用》的精彩学术报告。

Kyung Chun Kim于2004年入选韩国国家工程院院士，现任韩国釜山国立大学机械工程学院特聘教授，担任《Journal of Visualization》的主编。Kim教授研究兴趣包括湍流、两相流、流动可视化、PIV、LIF、PSP、TSP、CFD、传热、热系统模拟与优化、新一代船舶发动机、有机朗肯循环电力系统、多尺度多物理分析与测量技术、微流控、生物微机电系统、晶格玻尔兹曼模拟、太阳能、低温工程、风力涡轮和燃料电池、风力工程以及人工智能。

Kim教授的学术报告

报告中，Kim教授指出，流体力学领域通过实验、测量和模拟产生了大量数据，而人工智能提供了一种强大的技术，可以提取洞察力，将数据转化为基础知识。此外，人工智能算法可以增强领域知识并驱动流动控制和优化相关的任务自动化。Kim教授介绍了在过去、现在和未来将人工智能应用于流体力学的新机遇，解释了基本的人工智能方法论，展示了其在流动分析、数据处理、建模、优化和控制方面的应用。

Kim教授介绍LSTM 在流体力学中应用

Kim教授在报告中主要列举了LSTM，GAN和PINN算法在流场重建中的显著成效。在流体力学中，追求具有高时域分辨率的流场数据一直是主要关注的问题之一。在CFD中，可以使用数十亿个网格进行直接数值模拟（DNS）来获得湍流结构的复杂细节，但这需要昂贵的计算资源，随着先进的时域分辨率颗粒图像测速（TR-PIV）和高频热线的快速发展，可以获得更为复杂和更精细的流动结构。然而，高重复率的TR-PIV系统通常需要非常高速的摄像机和高功率激光器，这些设备往往很昂贵。作为替代，机器学习技术在流场时间域和空间域分辨率提升方面具有巨大潜力，并且在流体力学中引起越来越多的关注。Kim教授成果表明，PINN通过多个非线性激活函数使神经网络模拟非线性的目标数据，能够较好地还原流场细节。LSTM框架在流场时间序列重构方面具有很强的学习能力和泛化能力，而GAN方法可以在一定程度上解决流场边缘模糊问题。

Kim教授介绍GAN 在流体力学中应用

在报告结束后，Kim教授与参会的老师同学进行了深入交流和探讨，共同分享了各自对人工智能与流体力学结合的理解与应用，参会师生获益匪浅。