智能流体计算公众号专注于将AI技术与计算流体力学（CFD）结合，分享前沿研究成果与实用案例。涵盖PINNs、深度学习等智能计算技术在流体力学中的应用，助力提高模拟效率与精度，适合科研人员及工程师探索智能流体计算的新方法。
本研究基于POD（Proper Orthogonal Decomposition，正交分解）方法，聚焦于建立一个降阶模型（Reduced-order Model, ROM），用于预测围绕静止物体的非定常流动，同时允许将物体几何形状作为参数进行变换。传统的POD方法仅适用于所有快照数据在同一计算网格下采样的情况。本研究提出了一种新型POD方法，该方法可以处理包含不同物体形状的流场快照数据，并且这些快照是通过不同计算网格数值模拟获得的。提出的POD方法引入了将流场数据映射到计算空间中的概念，从而在计算空间中得到最小化物理空间中重构误差的最佳POD基函数。该POD方法被应用于通过保角映射（conformal mapping）将椭圆形流场变换为圆柱形的实验中。基于提出的POD基函数，成功重构了具有不同长宽比的椭圆及不同形状翼型周围的流场。通过所提出的POD基函数得到的ROM，可以稳定地预测不在原快照数据中的物体流场的时间演化行为。在ROM中，POD快照中的流场频率与重构流场的频率之间的差异导致了相位误差，这归因于时间演化。然而，通过ROM获得的流场与直接求解Navier–Stokes（纳维–斯托克斯）方程得到的流场之间的均方误差小于。此外，重构的流场中包含与卡门涡街后方涡量频率一致的流动特征。基于上述观察结果，本研究提出的POD方法适用于通过降阶模型（ROM）重构围绕不同几何形状的流场。
深度学习研究中的一个新兴趋势是图神经网络（GNNs）在基于网格的连续介质力学模拟中的应用。这些学习框架大多作用于图上，其中每条边连接两个节点。受有限元方法中数据连接性的启发，我们提出了一种通过元素而非边连接节点来构建超图的方法。在这种超图上定义了一种超图消息传递网络，该网络模拟了局部刚度矩阵的计算过程。我们将这种方法称为基于有限元启发的超图神经网络，简称为FEIH()-GNN。我们进一步为所提出的网络配备了旋转等变性能力，并探索其在非稳态流体流动系统建模中的潜力。网络的有效性在两个常见的基准问题上得到了验证，即圆柱和翼型的流体流动配置。在插值雷诺数范围内，使用-GNN框架可以获得稳定且准确的时间滚动预测。该网络还能够向更高雷诺数域外进行外推，这超出了训练范围。
在当前的工业过程中，多种模式无处不在，不同模式中包含的历史数据量可能会有很大差异。在为特定模式构建故障检测模型时，数据不足很容易导致冷启动问题。为了解决这个问题，在考虑多种模式之间的相似性和差异性的同时，提出了一种基于特征分离的域自适应深度模型，用于少样本的非线性过程监测。该模型从模式中提取共同特征，并通过将领域知识从源转移到共同特征来弥补数据不足。另一方面，为了避免只关注共同特征而丢失有用信息，该模型还提取了目标域的特定特征。因此，在考虑目标域的特定特征的同时，借助域自适应提高了监测性能。此外，设计了三个检测指标，分别监测公共特征子空间、特定特征子空间和残差子空间。这样做的好处是，当故障发生时，可以获得更多的诊断信息。通过数值例子和实际工业加氢过程对提出的方法进行了测试，以验证检测的有效性。 关键词：故障检测、域自适应、通用功能、特定功能
自GPT采用Transformer架构取得成功以来，经典Transformer架构一直是很多大模型的标配。但这不意味着Transformer是完美无缺的。DeepSeek在Transformer架构的基础上也做了很多创新，主要为：多头潜在注意力即MLA 。
一句话：大模型界的拼夕夕，模型本身确实也有创新点，比如MLA、纯RL预训练、FP8混合精度，但更重要的是让我们看到了开源对闭源的生态挑战、中国对美国主导的有效追赶、极致工程优化的显著受益。
能源互联网可理解是综合运用先进的电力电子技术,信息技术和智能管理技术,将大量由分布式能量采集装置,分布式能量储存装置和各种类型负载构成的新型电力网络、石油网络、天然气网络等能源节点互联起来,以实现能量双向流动的能量对等交换与共享网络。
南方电网人工智能科技有限公司专家戴珍博士作了题为“调度运行领域电力人工智能应用”的主旨报告，征得戴博士同意，特与您分享。
没有账户，需要注册
时序大模型是面向时间序列数据的基础大模型，以 Transformer 等架构为核心，通过在海量多领域时序数据上进行预训练，学习时间维度上的通用模式、周期规律与长距离依赖关系。区别于传统时序模型针对单一任务单独训练，时序大模型具备强大的迁移能力，只需少量样本微调或零样本提示，即可适配时序预测、异常检测、缺失值补全、时序分类等下游任务。在工业场景中，它能够直接处理传感器、设备测点产生的海量时序信号，挖掘设备状态演变规律，支撑设备故障预警、工况识别与生产趋势预判，为工业智能落地提供底层模型能力。如：中服云的CServerAIR
2025年，全球人工智能市场规模达到3909亿美元，中国人工智能核心产业规模突破9000亿元。AIAgent细分市场以49.6%的年复合增长率高速扩张，制造业应用大模型的企业比例在一年之内从9.6%跃升至47.5%。从2024年初，中国日均词元(Token)调用量为1000亿;至2025年底，跃升至100万亿;2026年3月，已突破140万亿，两年增长超千倍。这些数字背后，是一场深刻变革的加速到来-人工智能正在从"能力突破"走向“系统重构”。
中服云能碳管理系统依托中服云工业物联网底座打造，聚焦工业企业能耗管控与碳资产管理需求。 系统整合水、电、气、热等多类能源数据，实现用能实时采集、集中监测、智能分析。 依托数字化手段精准核算碳排放总量，助力企业摸清碳排底数、合规完成台账管理。 通过节能诊断、能耗优化策略推送，有效降低生产能耗与运营成本。 全方位赋能企业绿色低碳转型，筑牢安全生产与节能减排双重发展防线。
中服设备健康管理系统依托中服云工业物联网架构搭建，面向工业全品类设备运维场景。 融合实时数据采集、状态监测、故障诊断核心能力，全天候掌握设备运行动态。 通过边缘计算与 AI 算法分析设备隐患，实现从被动维修向预测性维护升级。 有效降低设备故障率、减少停机损失，简化线下运维管理流程。 助力工厂实现设备数字化管控，保障产线高效、稳定、安全运行。
面向人工智能技术浪潮带来的算网融合发展新机遇和新挑战，期望产业链各环节凝心聚力、携手并进，共同推动算力网络运载力质量不断提升，以网强算支撑产业应用创新，促进培育新质生产力，助力数字经济高质量发展!
AI-OTN产业落地。遵循试点先行、分步迭代思路开展现网实践。可优先开展小规模试点，围绕高收益场景验证技术能力，在试点基础上逐步完成设备改造、能力迭代，同时兼顾网络智能化效率与业务运行安全。设备厂商需加快AI-OTN设备形态迭代，完善轻量化网络AI模型，夯实产业规模商用基础。
物联网平台、工业物联网、数字孪生、设备全生命、生产管理、IOT、三维可视化、数字化大屏、数据采集、SIS、DCS、SCADA 工业互联网平台、工业物联网、能源管理、时序数据库、实时数据库、数据中台、智慧园区、智能楼宇、生产管理系统、机加生产管理系统、MES、设备资产管理系统、设备运维管理系统、设备监控、设备健康、MDC、DNC、倾斜摄影、数字化交付、组态工具
教育机构的规模壮大，行政会议频繁，而机构的复杂性与地域的分散性常常使信息传达的周期过长，影响工作内容的执行，更耗费了不少的差旅费。本系统可以召开主会场和所有分会场参加的全网视频会议。利用视频会议系统可以随时召开日常会议，减少差旅会务成本，缩短时间消耗可 以打造一个跨区域多人共享、沟通无障碍的工作空间。
扫码咨询
或
客服咨询
用手机扫二维码
复制当前地址
方案库赚钱指南
