混合湍流建模：连接物理与数据

本研究项目开创性地应用深度学习技术进行壁面流动湍流建模。该研究采用卷积神经网络（CNN）与生成对抗网络（GAN）来构建预测模型，从而弥补现有方法的不足，有助于准确模拟各种应用中的多尺度现象，包括能源与生物医学领域。

关于该项目 该项目在湍流建模领域开创了深度学习的应用，重点研究壁面边界流。通过结合卷积神经网络（CNNs）、生成对抗网络（GANs）及物理相关方法，旨在构建能够克服当前局限的动态预测模型。该研究有助于实现多尺度现象的可扩展且准确的模拟，推动计算设计在能源、交通和生物医学领域的应用发展。 该项目探索人工智能在湍流建模领域的前沿应用，尤其针对壁面湍流流动。通过运用先进的深度神经网络技术，研究旨在构建混合预测模型，将理论见解与数据驱动方法相结合，从而能够可靠地模拟湍流流动。 尽管卷积神经网络（CNNs）和生成对抗网络（GANs）在捕捉复杂的流动结构方面表现出巨大潜力（例如逆能量级联过程），但它们也面临诸多挑战，包括对大量高分辨率训练数据的需求，以及在新条件下进行泛化时的局限性。 目标是开发用于计算设计的预测性混合模型。 该项目将突破现有方法的限制，解决特定问题：卷积神经网络在高频流动特征处理上的困难以及生成对抗网络的高计算需求。研究将开创在混合框架中运用物理相关损失函数与强化学习的做法，从而提升模型精度与应用性。最终目标是构建能够通过预测多物理、多尺度现象来指导流体系统设计与开发的模型，这些现象对可持续能源、交通或医疗等领域的技术发展至关重要。 主要项目任务包括： 构建专业培训数据集 优化网络架构以提高效率 利用物理约束的纳入 集成到 CFS 求解器中 在真实环境中验证模型 本研究还将致力于探索适用于百亿亿次计算环境的湍流建模解决方案，为湍流模拟带来新的可能性。 工程学学院致力于促进平等与多样性，这从我们获得的 Athena SWAN 奖中可见一斑。我们欢迎所有申请者，无论其性别、种族、残疾状况、性取向或年龄如何，并将充分考虑那些寻求灵活工作模式以及已休过职业休假的申请者。该大学拥有完善的生育政策、现场儿童保育设施，并提供多种福利措施，以保障员工的生活质量与工作生活平衡。南安普顿大学致力于可持续发展，并荣获了铂金级 EcoAward 奖。

Entry requirements A UK 2:1 honours degree, or its international equivalent . Knowledge of the following areas is desirable: fluid dynamics turbulence data analysis python

资助：竞争性资助 学费与资助 我们为英国本土学生和国际学生提供多种资助机会。符合条件的学生可通过“地平线欧洲”学费减免，自动免除国际学生学费与英国本土学生学费之间的差额。 大学通过竞争性遴选授予的校长助学金，为遴选排名靠前的申请人支付国际学生学费与英国本土学生学费之间的差额。 本校各学院通过竞争性遴选提供的博士奖助金，通常为遴选排名靠前的申请人支付按英国本土学生标准收取的学费，并提供生活津贴。 资助采用滚动授予方式，因此请尽早申请，以尽可能增加进入资助评选的机会。 如需了解更多信息，请访问我们的研究生研究资助页面。

如何申请 您需： 选择课程类型（研究型）、2027/28学年、工程与物理科学学院 选择全日制或非全日制 搜索工程与环境博士项目（7175） 在申请表第2部分填写导师姓名 申请材料应包括： 您的CV（个人简历） 2份学术推荐信 截至目前的学位课程成绩单和证书 英语语言资格证明（如适用）