一、流体力学基础（一）理论与编程涵盖流体力学主要内容、不可压缩流体基本方程，介绍 Navier - Stokes 方程数值求解、有限体积与差分法 ，并通过 Matlab 编程实现有限差分、用 TensorFlow/PyTorch 等深度学习框架进行流场重建等案例教学。
（二）Fluent 实践讲解 Fluent 软件功能特点与应用，涉及网格划分、计算流程，稳态与非稳态流体计算、两相流求解及后处理 ，开展圆柱绕流、喷雾蒸发 Fluent 求解流程案例教学，探讨 Fluent 与深度学习结合优化网格划分和参数估计。
二、线性代数与数据处理介绍 Python 语言向量表示等特征，讲解数据分布度量、PCA、SVD 及数据降维，开展基于 Python 的 CFD 数据压缩案例教学 。
三、人工智能与深度学习基础涵盖人工智能基本概念、神经网络第一性原理等，介绍感知机、激活与损失函数、优化算法分类，讲解 Pytorch 及环境搭建 ，通过 Python 实现基础网络架构、梯度下降算法、二阶函数极值求解，开展用生成对抗网络（GANs）提高流场分辨率等案例教学。
四、动力学神经网络介绍残差神经网络（ResNet），讲解利用其求解常微分方程（NeuralODE），开展用 Neural ODE 求解动力学问题及流体力学应用案例教学 。
五、卷积神经网络（CNN）讲解卷积定义与特性、CNN 基本结构，开展 CNN 用于流场信息预测（如湍流传热预测）案例教学 。
六、物理融合神经网络基于 JAX 框架讲解物理融合神经网络（PINN），介绍其训练专家导引，开展 JAX - PINN 求解圆柱绕流、二维机翼流场模拟预测案例教学 。
七、流动控制讲解强化学习核心概念马尔可夫决策过程、Q - learning，开展利用强化学习实现 2D 卡门涡街流动控制案例教学 。
公众号：科研硕博