传统的气动力建模手段对于样本的依赖性强，泛化能力弱。本文将欧拉方程的无粘特征融入到建模过程，并配合架构设计、损失函数设计等方式，使得模型可以在跨音速、分离流等复杂状态下保持了良好的泛化能力，集中力误差可以控制在3%左右。并且通过消融试验对比，展示了模型小样本建模能力，相比于传统方法样本降低2倍以上。

可变形飞行器因其在飞行过程中可动态调整外形以优化气动性能而成为航空航天领域的研究热点。然而，传统实验与数值方法难以快速预测变形过程中的非周期非定常流场，尤其在处理时变几何与瞬态流动之间的强耦合问题时存在明显局限。本文提出了一种融合自适应网格变换与Vision Transformer（ViT）的时空深度学习框架（ViT-STFlowNet），实现了对连续变形过程中非周期流场的端到端精准预测，为可变形

左奎军，西北工业大学航空学院2021级力学专业博士研究生，师从叶正寅教授、张伟伟教授、袁先旭研究员，主要研究方向为面向航空工程的机器学习流场预测。博士期间曾获优秀研究生、一等学业奖学金等荣誉。在读期间以第一作者在Aerospace Science and Technology、Expert Systems with Applications、Physics of Fluids等行业内知名期刊上共发

人工智能的突破正在改变航空行业，重塑教育、科研和工业实践。由于人才能力需求的转变，教育考核体系在发生着转变。科学研究正朝着数据与知识结合的范式发展，而产业链正在经历全面的智能升级。然而，大模型在工业行业的应用仍然面临诸多挑战，包括工业专用数据库的构建、历史数据如何迁移、如何保证模型的精度和泛化性、模型结果的可信任性等。专家化模型、行业特定的大模型以及全生命周期的数字孪生系统正在不断发展。解决这些挑

基于湍流数据库，挖掘出新的壁湍流平均速度标度律、混合长标度率、逆压梯度历史效应、超临界湍流脉动速度标度律和状态方程等知识发现。本项目作为该计划立项的四个集成项目中唯一由高校牵头的项目，主要围绕高雷诺数湍流数据库的构建及数据驱动湍流模型及知识发现开展研究，项目周期四年，总经费1022.5万元，牵头单位西北工业大学联合浙江大学、上海交通大学、哈尔滨工业大学、中国航天空气动力技术研究院等4家承研单位，以

计算流体力学（CFD）对于推动科学和工程领域的发展至关重要，但其操作复杂性、高专业门槛以及有限的可访问性阻碍了其广泛应用。本文介绍了ChatCFD，这是一个由大语言模型（LLM）驱动的智能体系统，用于实现端到端的CFD自动化。ChatCFD 由驱动，采用多智能体架构、结构化 OpenFOAM 知识库、精确错误定位器和迭代反思机制，其性能显著优于现有系统。

湍流的超分辨率重建是当前流体力学与海洋工程中的关键课题，对于提升物理场解析精度与表征亚网格结构特征具有重要意义。然而，现有方法在刻画湍流的多尺度动力学特性与能量级联机制方面仍面临挑战。为此，本文提出一种融合分形约束的深度学习超分辨率模型——SKFSR-FIC，以提高复杂非线性流场的重建精度与物理一致性。该模型包括两项核心设计：（1）多尺度特征复用的主干网络 SKFSR，能够有效识别并重构湍流中的多

2012年本科毕业于上海交通大学致远学院。2016年博士毕业于上海交通大学，获应用数学博士学位。2016年至2019年，在纽约大学阿布扎比分校和柯朗研究所做博士后。2019年至2025年，上海交通大学自然科学研究院/数学科学学院长聘教轨副教授。2025年至今，上海交通大学自然科学研究院/数学科学学院教授。

学术PPT分享

AI 气动建模 / 设计，物理要严、数据要贵、维度要高、优化要难、落地要稳；核心是在强物理约束下，用小样本高维数据，构建精准、鲁棒、可解释的端到端设计闭环。AI 赋能气动建模与设计的难点，不在于单纯预测，而在于如何在严格物理约束下，对复杂几何、强非线性流动和宽工况变化实现可信泛化，并最终服务于反问题设计与工程优化。编者：张伟伟。