网易首页 > 网易号 > 正文 申请入驻

IF=18.1!颠覆传统:真心建议所有研究PINN领域的学者都去学一下,太关键了!

0
分享至


随着人工智能、深度学习与科学计算技术的深度融合,物理信息神经网络(Physics-Informed Neural Networks,PINNs)正成为求解复杂偏微分方程(PDEs)、开展多物理场耦合模拟及物理参数反演的重要研究方向。传统有限差分法(FDM)、有限元法(FEM)等数值计算方法在处理非线性动力学、复杂边界条件、多尺度演化及移动界面问题时,往往面临计算域调整、网格自适应、数值稳定性与计算成本等挑战。PINN通过将物理控制方程、初始边界条件及观测数据共同融入神经网络损失函数,实现物理规律与数据驱动建模的有机结合,为流体力学、固体力学、热传导、非线性扩散及复杂工程系统的正向预测与逆向分析提供了新的技术路径。

2026年,国际知名期刊 Nature Communications 发表题为《Going with the flow to solve for symmetry-driven PDE dynamics with physics-informed neural networks》的研究论文,提出一种融合对称性约化与物理信息神经网络的智能计算框架。该研究通过引入动态坐标变换与辅助神经网络,将复杂非线性偏微分方程中的行波传播、自相似扩散及局部奇异演化等问题转化为更易学习的动力学表示,并将物理方程残差与代数约束统一纳入优化过程,实现复杂动力学系统的正问题求解、关键物理参数识别及演化规律预测。研究针对二维多孔介质方程、Burgers方程、二维扩散方程及广义Korteweg–de Vries方程等开展数值验证,展示了PINN在高指数微分代数方程求解及复杂时空演化建模中的应用潜力。尤其在稀疏观测条件下,该框架能够改善传统PINN的参数辨识表现,为非线性传播、扩散过程及多尺度动力学研究提供新的方法参考。

2026热门专题

01

专题一:大模型PINN+神经算子+Codex科研专题

02

专题二:人工智能与离散元模拟专题

03

01

专题一:大模型PINN+神经算子+Codex科研专题

学习目标:

1. 建立PINN与传统数值方法的比较框架

·理解固体力学、流体力学、传热学中的典型偏微分方程(如Navier-Stokes方程、弹性本构方程)及其数学分类(椭圆/抛物/双曲型)。

·从离散机制、物理约束、数据需求和求解目标四个维度比较有限差分法、有限单元法与PINN,理解物理与数据双驱动建模的联系。

2. 沿实现流程理解PINN与深度能量法

·以一维谐振子、渗流和弹塑性力学为例,对照PyTorch、DeepXDE与SciANN中的建模、损失构造、训练和结果评估环节。

·掌握能量驱动损失函数设计、自动微分等关键技术,复现中科院一区顶刊(如CMAME)中的创新方法。

3. 借助典型案例辨析多领域应用场景

·流体力学:层流模拟、涡旋捕捉与Nature子刊级diffusion-reaction模拟。

·固体力学:超弹性材料大变形、弹塑性问题与能量法优化。

·反问题:材料参数辨识、隐藏物理规律发现。

4. 理解神经算子与Codex在科研协作中的定位

·熟练使用DeepXDE、SciANN等PINN工具,并理解DeepONet的branch net、trunk net、函数采样与算子推理流程。

·比较DeepSeek、ChatGPT与Codex在科研代码生成、解释、修改、运行验证、结果分析和写作协作中的分工。

5. 通过论文与代码对读形成跨学科判断

·围绕CMAME、Computers and Geotechnics等顶刊案例,对读论文方法、代码实现和结果证据,辨析物理编码、因果约束与混合变量方案的适用条件。

·为计算力学、工业仿真、AI辅助设计等领域的科研与工程实践提供方法论支持。

本课程旨在打通物理建模、数值计算与深度学习的知识壁垒,培养兼具理论深度与工程能力的复合型人才,推动智能科学计算在工业4.0与数字孪生中的创新应用。

讲师介绍

讲师拥有丰富的PINN培训经验,曾在多个机构担任主讲人授课10余次,授课效果倍受好评,且拥有指导博士研究生发SCI论文的丰富经验。讲师曾在内地985、美国常春藤、香港前三学校、高瓴人工智能学院工作和学习,具有计算机和经典数值方法的双重教育背景,在中科院一区Top等计算力学顶刊CMAME以一作发表二十篇SCI论文,包括多篇PINN和传统数值主题的顶刊论文。

02

专题二:人工智能与离散元模拟专题

学习目标:

本课程旨在帮助学员建立:“工程问题—DEM模型建立—数值模拟数据生成—人工智能预测—参数优化—AI Agent自动化—科研结果表达”的完整DEMAI研究思路。

通过本课程学习,学员将能够理解离散元方法的基本理论、颗粒接触力学和数值模拟流程,掌握利用开源YADE软件与Python开展基础颗粒模拟的方法,并能够根据具体工程问题设置颗粒材料参数、几何模型、边界条件和计算工况。

学员将学习如何通过DEM模拟建立人工智能数据库,掌握模拟参数批量生成、数据自动提取、特征构建、数据预处理、训练集划分和模型评价等基本方法,并能够利用机器学习建立颗粒体系输入参数与宏观力学响应之间的预测关系。

课程将介绍Random Forest、Gradient Boosting、XGBoost、人工神经网络(MLP)等机器学习方法,并进一步学习LSTM、GRU和Temporal Convolutional Network(TCN)等时间序列深度学习模型,实现颗粒体系动力学响应的预测与分析。

在此基础上,学员将学习如何将机器学习与DEM数值模拟结合,开展参数敏感性分析、模型超参数优化、代理模型构建以及简单的工程反向设计。通过设置目标响应和待优化设计变量,实现从传统正向模拟向参数反演与智能优化的拓展。

课程还将重点介绍人工智能智能体(AI Agent)的基本原理及其在数值模拟中的应用,包括大语言模型、Prompt Engineering、Tool Calling、Python工具封装、任务分解与自动执行等内容。

通过将Qwen大语言模型与YADE模拟程序、Pandas数据分析、PyTorch深度学习和优化算法相结合,学员将能够建立具有自然语言交互能力的工程计算智能体,实现数值模拟、数据分析、模型训练、参数优化和科研报告生成等任务的自动化执行。

课程结束后,学员应能够独立完成一个基本DEMAI研究案例,包括:

DEM模型建立、批量数值模拟、数据库构建、人工智能模型训练、动力学响应预测、模型性能评价、参数优化、智能体工具调用以及科研结果可视化与分析。

讲师介绍

授课老师来自国内重点高校,长期从事人工智能、机器学习与深度学习研究,方向包括机器学习、深度学习、时空数据分析、智能预测、智能建模与优化。近年来系统开展AI驱动的数据分析、智能建模、参数反演、代理模型与算法优化研究,并将数据驱动建模、机器学习代理模型、智能参数标定与优化方法应用于离散元模拟相关专题,关注AI赋能的离散元参数标定、代理模型加速、多源数据与数值模拟耦合及复杂过程智能预测。发表国际高水平SCI论文多篇,具备扎实的AI理论、数据分析、算法建模与科研实践经验。

专题大纲

专题一:大模型PINN+神经算子+Codex科研专题

第一天·基础段|PDE、FDM/FEM与Python科学计算

1. PDE结构导读:从一般形式认识固体、流体与传热方程

0.0. 一般形式的微分方程推导

0.1 散度算子与平衡项的关系

0.2. 输运方程的对流项

0.3 偏微分方程的三种形式:强形式、弱形式、变分形式

1.1. 固体力学的偏微分方程

1.1.1. 平衡方程

1.1.2. 线弹性本构

1.1.3. 超弹性本构

1.1.4. 塑性本构

1.2. 流体力学的偏微分方程

1.2.1. 无黏、无旋的势流方程

1.2.2. 忽略黏性效应的欧拉方程

1.2.3. 不可压缩纳维-斯托克斯方程

1.3. 传热学的偏微分方程

1.3.1. 稳态热传导

1.3.2. 瞬态热传导

1.4. 一般形式的偏微分方程

1.4.1. 椭圆偏微分方程

1.4.2. 抛物偏微分方程

1.4.3. 双曲偏微分方程

2. 传统数值方法导览:FDM、FEM与仿真数据生成

2.1. 有限差分法原理

2.2. 有限单元法原理

2.3. 案例观察:使用COMSOL生成固体力学与渗流参考数据

2.4. 案例观察:使用Abaqus生成弹塑性固体力学参考数据

3. Python机器学习入门:从数据到首个模型

3.1. 三种运行Python程序的方法

3.2. 常用科学计算库:Numpy和Scipy

3.3. 机器学习的万能python库:scikit-learn

3.4. 如何在Ubuntu系统上运行python程序

第二天·进阶段|深度学习与PINN起步

4. 数据驱动深度网络:结构、训练与输出解读

4.1 激活函数

4.2 神经元

4.3 自动微分方法

4.4 损失函数的构建与正则化

4.5 最优化方法

4.6. 实践:基于Pytorch建立深度神经网络模型并调优

5. 深度学习进阶:关键机制与适用条件

5.1 卷积神经网络CNN(为什么使用CNN?)

5.2 循环神经网络RNN

5.2.1. 长短记忆神经网络LSTM

5.2.2. 门控循环单元网络GRU

5.3. 图神经网络GNN(居然与CNN一模一样?)

5.4. Transformer (Attention is all you need! )

6. PINN方法导读:数据项与PDE约束如何共同作用

以一维谐振子为导读案例,先从动力学方程和初始/边界条件理解物理约束,再观察PyTorch网络、数据项与运动方程残差如何组成复合损失,并借助自动微分计算高阶导数。课程将建模、训练与误差评估放在同一流程中对照,帮助学员理解PINN由随机初始化走向物理自洽解的机制。


第三天·方法段|PINN论文、深度能量法与DeepXDE

7. 经典PINN论文导读:正问题、逆问题与连续/离散时间模型

PINN开山之作:Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations

1.1 传统数值方法的瓶颈(网格生成、高维问题、反问题不适定性)

1.2 深度学习的优势与局限:数据驱动与物理规律缺失

1.3 PINN的诞生:物理原理与数据智能的深度融合

一、 引言:求解PDE的范式转移

1.1 传统数值方法的瓶颈(网格生成、高维问题、反问题不适定性)

1.2 深度学习的优势与局限:数据驱动与物理规律缺失

1.3 PINN的诞生:物理原理与数据智能的深度融合

二、 PINN的核心机理与数学基础

2.1 框架总览:将物理域作为神经网络的输入空间

2.2 损失函数构造:物理残差、初始/边界条件与实测数据的多目标平衡

2.3 关键技术:自动微分为何是高效计算PDE高阶导数的核心

三、 PINN求解正问题:以Burgers方程为例

3.1 问题描述:强非线性与激波现象的挑战

3.2 网络架构设计与训练技巧

3.3 结果分析:与高精度数值解的比较及泛化能力验证

四、 PINN求解反问题:以参数辨识为例

4.1 问题定义:从稀疏观测数据中学习隐藏的PDE系数

4.2 可微学习机制:物理模型与神经网络参数的联合优化

4.3 案例演示:材料属性或未知物理规律的反演

五、 进阶应用与挑战展望

5.1 复杂场景拓展:Navier-Stokes方程与跨尺度问题

5.2 当前挑战:训练难度、收敛性及计算成本分析

5.3 未来方向:优化算法、多保真度融合与物理机理模型


8. 深度能量法导读:从变分原理到实现与应用

深度能量/深度里兹法物理数据双驱动网络 Deep energy method/Deep Ritz method,DEM,DRM,中科院一区TOP数值计算顶刊CMAME:An energy approach to the solution of partial differential equations in computational mechanics via machine learning: Concepts, implementation and applications

一、 引言:当能量变分原理遇见深度学习

1.1 计算力学的核心:从偏微分方程到能量极小化原理

1.2 传统有限元方法的局限与无网格求解的需求

1.3 新范式:用神经网络参数化力学场,将物理规律作为优化目标

二、 能量法的核心理论:从物理原理到损失函数

2.1 理论基础:最小势能原理与深度学习优化目标的数学同构性

2.2 框架构建:如何将总势能泛函转化为神经网络的训练目标

2.3 优势解析:为何能量法能天然满足物理约束并规避离散困难

三、 实现路径:损失函数设计与自动微分技术

3.1 损失函数设计:应变能主导的物理约束与边界条件的嵌入

3.2 关键引擎:自动微分技术在精确计算能量泛函梯度中的作用

3.3 实现流程:从场参数化到模型训练的全链路解析

四、 典型案例分析:从线弹性到材料非线性

4.1 案例一:弹性力学静动态问题求解

4.2 案例二:超弹性材料大变形分析

4.3 性能对比:与数据驱动模型及传统有限元法的优势对比

五、 方法总结与前沿展望

5.1 方法优势总结:预测精度、计算效率与外推能力

5.2 当前挑战与局限性分析

9. DeepXDE框架解读:计算域、PDE、边界与训练配置

第一章:DeepXDE入门——核心概念与环境搭建

1.1 引言:为何选择DeepXDE?—— 高效PINN开发的关键特性

1.2 环境配置指南:在本地与云端快速配置DeepXDE运行环境

1.3 初识核心API:dde.data、dde.geometry、dde.nn模块概览

1.4 第一个PINN实例:求解一维泊松方程的完整工作流

第二章:几何定义与边界条件设置——构建物理计算域

2.1 几何定义详解:一维区间(Interval)与二维矩形(Rectangle)的创建

2.2 进阶几何:复杂几何(圆形、多边形)与时空域(TimeDomain)的处理

2.3 边界条件编码:DirichletBC、NeumannBC、RobinBC的API用法

2.4 初始条件编码:IC及其在时空问题中的应用

第三章:定义控制方程——PDE残差的灵活表达

3.1 使用Lambda函数快速定义PDE残差(推荐入门)

3.2 自定义偏微分算子:处理复杂或高阶微分方程

3.3 多未知数方程组(PDE系统)的定义方法

3.4 反问题中PDE参数的定义与设置

第四章:神经网络架构配置与优化——平衡效率与精度

4.1 网络架构选择:前馈网络(FNN)与修改版(MFNN)等

4.2 激活函数实战:从tanh到自适应激活函数(如sin)的性能对比

4.3 权重初始化策略:Glorot normal与 He normal的影响

4.4 损失函数配置:平衡PDE残差、边界条件与数据项的权重策略

第五章:综合实战:从一维到高维经典案例

5.1 案例一(一维):Burgers方程激波捕捉

5.2 案例二(二维):稳态/非稳态热传导方程求解

5.3 案例三(反问题):从稀疏数据中反演拉普拉斯方程源项

5.4 案例四(高维):参数化PDE的快速求解


第四天·流体案例段|渗流、层流与物理编码网络

10. 渗流案例导读:一区论文方法与代码对照

中科院一区顶刊论文复现,A physics-informed data-driven approach for consolidation analysis

第一章:科学发现基础——从回归模型到方程项识别

1.1 从线性回归与稀疏回归理解候选项筛选

1.2 L0、L1、L2正则化的作用、差异与选择依据

1.3 数据集组织:空间采样、时间采样与噪声处理

1.4 时间导数和空间导数如何进入科学发现流程

第二章:弱形式方法——降低高阶导数与噪声敏感性

2.1 为什么在科学发现中引入弱形式

2.2 试探函数的选择原则与实现方式

2.3 相容性条件的含义及检查方法

2.4 强形式与弱形式的识别结果及适用条件比较

第三章:渗流问题建模——从控制方程到网络表达

3.1 固结与渗流问题的物理背景、控制方程和边界条件

3.2 渗流神经网络的输入、输出与参数化方式

3.3 观测数据、方程残差与边界约束的对应关系

3.4 正问题和反问题的任务定义与评价指标

第四章:PINN正反分析——损失、优化与代码对读

4.1 正问题与反问题共享损失项的构造思路

4.2 优化器、学习率与训练阶段的选择依据

4.3 稀疏观测条件下参数反演的关键难点

4.4 原始论文代码的模块划分与核心实现导读

第五章:DeepXDE复现——运行、核对与方法判断

5.1 使用DeepXDE重现渗流PINN的基本流程

5.2 对照论文检查预测场、参数反演和误差结果

5.3 比较强形式、弱形式及正反问题设置的适用边界


11. 层流案例辨析:混合变量PINN求解不可压缩流动

本案例先梳理低雷诺数稳态与瞬态层流的控制方程及损失构造,再比较混合变量方案对PINN可训练性和求解精度的影响;随后将预测速度场、压力场与参考数值解对照,辨析“较少数据”和“高精度潜力”成立的条件及其适用范围。



https://github.com/Raocp/PINN-laminar-flow/blob/master/PINN_steady/SteadyFlowCylinder_mixed.py

12. CMAME顶刊:考虑因果关系的流体力学PINN改进+学习用JAX实现PINN

中科院一区TOP数值计算顶刊CMAME:Respecting causality for training physics-informed neural networks

第一章:引言

1.1 研究背景:计算物理与深度学习融合的趋势

1.2 物理信息神经网络(PINN)基本原理:物理约束与损失函数

1.3 流体动力学模拟中的挑战与PINN的优势

1.4 本文主要工作与创新点:提出一种混合变量PINN方案

第二章:混合变量物理信息神经网络方法

2.1 控制方程:低雷诺数流动的Navier-Stokes方程

2.2 传统PINN方法在流体模拟中的局限性

2.3 混合变量方案的构建与理论框架

2.4 网络架构与损失函数设计

第三章:数值实验与讨论

3.1 实验设置:稳态与瞬态层流算例

3.2 参数研究:混合变量方案对可训练性与精度的影响

3.3 结果对比:速度场/压力场的PINN预测与参考解可视化比较

3.4 误差分析与讨论

第四章:结论与展望

4.1 研究结论总结

4.2 所提方法的优势与潜在应用价值

4.3 当前局限性与未来工作方向


13. 物理编码网络导读:有限差分结构如何进入神经网络

Encoding physics to learn reaction–diffusion processes

13.1. 物理编码时空学习

13.2. PDE系统的正演分析

13.3. PDE系统的反演分析

13.4. PeRCNN的结构

13.5. ∏块的普适多项式逼近

13.6. 方程发现与强泛化能力


第五天·固体力学与科研工作流|SciANN、大模型与量子计算

14. PINN与深度能量法:比较正、逆问题中的方法差异

中科院一区TOP数值计算顶刊Computers and Geotechnics: A Comprehensive Investigation of Physics-Informed Learning in Forward and Inverse Analysis of Elastic and Elastoplastic Footing

14.1. Footing问题背景与Ritz方法(正问题)

- 问题背景:Footing问题的物理意义与工程应用

- 数学模型:Footing问题的数学描述与控制方程

- Ritz方法:Ritz方法在正演建模中的应用与实现

- PINN框架:论文中PINN实现的核心思路与框架解读


14.2. Footing问题的逆问题求解

- 损失函数构建:PINN中物理驱动损失函数的设计与实现

- 自适应采样:自适应采样方法的原理与实现细节

- 指数加速:逆问题求解中的指数加速技术

- 代码复现与结果分析:代码实现与结果分析(数据集大小、高斯噪声的影响)


15. 混合能量法论文导读:应力集中问题的处理思路

计算力学顶刊Journal of Computational Physics:The mixed Deep Energy Method for resolving concentration features in finite strain hyperelasticity

物理知情神经网络(PINN)的引入导致人们对深度神经网络作为固体力学界PDE的通用近似器的兴趣日益浓厚。最近,深能法(DEM)被提出。DEM基于能量最小化原理,与基于PDE残差的PINN相反。DEM的一个显著优点是,与基于强形式残差的公式相比,它需要对低阶导数进行近似。然而,DEM和经典PINN公式都难以解决应力场和位移场的精细特征,例如固体力学应用中的浓度特征。提出了对深能法(DEM)的扩展,以解决有限应变超弹性的这些特征。开发的称为混合深能法(mDEM)的框架引入了应力测量,作为最近引入的纯位移公式的NN的额外输出。使用这种方法,可以更准确地近似Neumann边界条件,并提高通常导致高浓度的空间特征的精度。为了使所提出的方法更加通用,我们引入了一种基于Delaunay积分的数值积分方案,该方案使mDEM框架能够用于具有应力集中的计算域(即具有孔、凹口等的域)通常需要的随机训练点位置集。我们强调了所提出方法的优点,同时展示了经典PINN和DEM公式的缺点。该方法在涉及具有精细几何特征和集中载荷的域的具有挑战性的计算实验的正向计算方面提供了与有限元法(FEM)相当的结果,但还为解决超弹性背景下的逆问题和参数估计提供了独特的能力。


16. SciANN框架导读:建模、训练与结果评估

SciANN是一个高级人工神经网络API,使用Keras和TensorFlow后端用Python编写。它的开发重点是实现不同网络架构的快速实验,并强调科学计算、基于物理的深度学习和反演。能够用几行代码开始深度学习是做好研究的关键。


17. Nature子刊DeepONet导读:基础、代码与代表论文

概念定位:从“求一个PDE解”转向学习输入函数到输出函数的解算子。

网络结构:拆解branch net、trunk net与内积输出,理解传感器值和查询坐标的角色。


图:DeepONet的输入、训练数据及stacked/unstacked架构。来源:Lu Lu et al., Nature Machine Intelligence (2021), DOI: 10.1038/s42256-021-00302-5;physics-informed扩展参见Sifan Wang et al., Science Advances, DOI: 10.1126/sciadv.abi8605。

代码实操:组织输入函数、传感器点与坐标批次,阅读最小前向传播、训练和推理代码。

奠基论文:Lu Lu等在Nature Machine Intelligence(2021)发表的DeepONet论文。

物理约束扩展:Sifan Wang等在Science Advances发表的physics-informed DeepONets论文。

数据张量、branch/trunk前向、内积输出、训练/推理接口,以及与PINN、FNO/PINO的角色边界。

18. 多模型与Codex科研协作:生成、理解、修改与验证

1 DeepSeek大模型简介

2. DeepSeek大模型生成PINN代码求解椭圆偏微分方程

2.1. Prompt与任务分解

2.2. 代码运行、可视化和Debug

3. ChatGPT大模型生成PINN代码求解抛物偏微分方程

3.1. Prompt与任务分解

3.2. 代码运行、可视化和Debug

4. 比较多模型与Codex在生成、理解、工程修改、执行验证和结果复盘中的分工19. Codex科研协作闭环

学习成果|把一个科研任务整理成可追踪、可复现、可交付的协作闭环。

文献梳理:批量阅读与对照论文,提取问题、假设、方法、证据和待核验点。

代码理解:识别入口脚本、数据处理、网络结构、损失项、配置与输出。

修改复现:先建立基线,再做最小代码修改,运行测试/训练并记录差异。

图表生成:从结果文件和日志绘图,检查单位、误差、基线与图注。

论文表达:协助搭建结构、写方法与结果段,最后由研究者核验引用和结论。

交付修改清单、可运行代码、关键图表和一段可追溯的方法说明。

20. 量子计算入门(拓展)

1 三个基本命题及其拓展

1.1局部性命题

1.2概率命题

1.3邱奇图灵命题

2双缝干涉实验与几率幅

3量子比特

4量子门操作与量子电路

专题二:人工智能与离散元模拟专题

第一天|DEM–AI基础:人工智能、Python环境、离散单元法数值模拟与传统机器学习

上午|基础段:人工智能基础、软件环境与DEM数值模拟

1. 人工智能与数值模拟融合导论

1.1 人工智能(AI)、机器学习(ML)与深度学习(DL)的基本概念

1.2 监督学习、无监督学习与强化学习

1.3 回归问题与分类问题的区别

1.4 传统数值模拟与数据驱动建模的区别

1.5 有限元法(FEM)、离散单元法(DEM)与人工智能

1.6 DEM数值模拟的基本原理与典型工程应用

1.7 DEM与AI融合的主要方式:参数预测、代理模型与参数反演

1.8 从DEM数值模拟到机器学习数据库的完整工作流程

1.9 四天课程内容、工程案例与学习目标介绍

2. Python科学计算、机器学习与深度学习环境配置

2.1 Python与Jupyter Notebook基本介绍

2.2 Featurize云计算平台与Linux运行环境

2.3 NumPy:数组与科学计算

2.4 Pandas:模拟数据库管理与分析

2.5 Matplotlib:科学绘图与结果可视化

2.6 Scikit-learn:传统机器学习模型

2.7 PyTorch:深度学习框架与神经网络计算

2.8 CPU与GPU计算环境及PyTorch设备检测

2.9 YADE:开源离散单元法数值模拟软件

2.10 YADE安装、版本检查与运行测试

2.11 Jupyter Notebook调用YADE执行模拟

2.12 Python环境、YADE环境及常见运行问题排查

3. DEM基本原理与三个简单数值模拟

3.1 离散单元法的基本思想与颗粒离散化

3.2 颗粒几何、材料属性及接触模型

3.3 颗粒运动方程、重力与接触力

3.4 法向接触力、切向摩擦力与阻尼

3.5 时间步长、计算稳定性与模拟终止条件

3.6 YADE模型的基本组成:材料、颗粒、边界与求解器

上午实践

Jupyter Notebook环境配置及运行

安装并检查NumPy、Pandas、Matplotlib、Scikit-learn和PyTorch

安装并测试YADE离散单元法软件

运行单颗粒自由下落模拟

运行双颗粒碰撞模拟

运行100颗粒重力沉降与堆积模拟

提取颗粒位置、速度和接触响应数据

使用Matplotlib绘制DEM模拟结果




下午|进阶段:传统机器学习基础与DEM数据预测

4. DEM数据库构建与机器学习基本流程

4.1 DEM模拟输入参数与输出响应

4.2 样本、特征、标签和输入/输出变量

4.3 颗粒半径、密度、摩擦系数与初始条件

4.4 堆积高度、沉降时间和颗粒位移

4.5 DEM参数化模拟与数据库生成

4.6 数据查看、描述性统计与可视化

4.7 训练集、验证集与测试集划分

4.8 特征标准化与数据预处理

4.9 回归模型与分类模型的评价指标

5. Linear Models:线性模型与基本预测

5.1 线性回归的基本思想

5.2 一元线性回归与多元线性回归

5.3 最小二乘法与模型参数估计

5.4 Ridge Regression与正则化基本概念

5.5 Logistic Regression与二分类概率

5.6 线性模型的适用范围与局限性

5.7 使用线性回归预测DEM颗粒堆积高度

6. Support Vector Machine:支持向量机与非线性预测

6.1 支持向量机的基本思想

6.2 最大间隔、支持向量与分类超平面

6.3 Support Vector Classification(SVC)

6.4 Support Vector Regression(SVR)

6.5 Linear Kernel与RBF Kernel

6.6 参数 \(C\)、\(\gamma\) 与 \(\varepsilon\)

6.7 特征标准化对SVM/SVR的影响

6.8 使用SVR预测DEM颗粒堆积高度

7. Gaussian Process Regression:高斯过程回归与不确定性预测

7.1 高斯过程回归的基本思想

7.2 概率回归与核函数

7.3 RBF Kernel与模型超参数

7.4 预测均值与预测不确定性

7.5 GPR与SVR的区别

7.6 小样本DEM数据库中的GPR应用

7.7 DEM堆积高度预测及置信区间可视化

8. Decision Tree:决策树与可解释机器学习

8.1 决策树的基本结构

8.2 节点、分裂规则与叶节点

8.3 Decision Tree Regression与Classification

8.4 MSE、Gini与Entropy基本思想

8.5 树深度、最小叶节点样本数与过拟合

8.6 决策树可视化与预测规则解释

8.7 颗粒参数对堆积高度的影响分析

9. 机器学习模型评价与优化

9.1 MAE、MSE、RMSE与 \(R^2\)

9.2 分类准确率、Precision、Recall与F1-score

9.3 训练误差与测试误差

9.4 过拟合与模型泛化能力

9.5 Cross Validation交叉验证

9.6 Grid Search参数优化

9.7 Linear Regression、SVR、GPR与Decision Tree综合比较

9.8 DEM–AI代理模型的预测精度与计算效率


下午项目实践:DEM颗粒堆积高度的机器学习预测

使用上午第三个模拟——100颗粒重力沉降与堆积——作为统一工程案例,通过预先准备的多工况DEM数据库训练和比较不同机器学习模型。

案例1:Linear Regression实现颗粒堆积高度预测

案例2:SVR实现非线性颗粒堆积高度预测及不同核函数比较

案例3:Gaussian Process Regression实现堆积高度预测及不确定性可视化

案例4:Decision Tree Regression实现堆积高度预测及决策树可视化

案例5:Linear Regression、SVR、GPR和Decision Tree综合性能比较

第二天|DEM–AI工程应用:集成学习、深度神经网络与颗粒材料力学行为预测

上午|基础段:DEM颗粒堆积模拟、自然休止角与集成学习

1. 自然休止角与颗粒材料力学行为

1.1 自然休止角(Angle of Repose, AoR)的基本概念与工程意义

1.2 颗粒材料的堆积、流动与稳定性

1.3 自然休止角与颗粒间摩擦角的区别

1.4 颗粒半径、摩擦角与颗粒数量对堆积形态的影响

1.5 颗粒密度、接触刚度与颗粒形状的影响

1.6 自然休止角的实验测量方法

1.7 DEM模拟自然休止角的基本原理

1.8 自然休止角预测中的非线性回归问题

2. YADE自然休止角数值模拟与数据库生成

2.1 YADE离散单元法(DEM)模拟环境介绍

2.2 颗粒材料模型与接触参数设置

2.3 球形颗粒生成与初始堆积结构

2.4 重力作用下的颗粒运动与堆积形成

2.5 颗粒间接触力与摩擦作用

2.6 模拟时间步长与颗粒运动收敛判断

2.7 颗粒堆积形态的可视化

2.8 基于颗粒表面轮廓的自然休止角计算

2.9 DEM参数化模拟与批量工况生成

2.10 自然休止角数据库构建与CSV保存

3. 自然休止角数据库与机器学习回归

3.1 DEM生成数据库的基本结构

3.2 输入变量与输出变量

3.3 颗粒半径(Particle Radius, r)

3.4 颗粒间摩擦角(Friction Angle, φ)

3.5 颗粒数量(Number of Particles, N)

3.6 输出变量:自然休止角(Angle of Repose, θ)

3.7 DEM模拟数据的有效性与收敛性检查

3.8 数据分布、相关性分析与特征预处理

3.9 训练集、验证集与测试集划分

3.10 MAE、MSE、RMSE与R²回归评价指标

4. Ensemble Learning:集成学习基本理论

4.1 集成学习(Ensemble Learning)的基本思想

4.2 单一学习器与多个学习器的组合

4.3 Bagging与Boosting的区别

4.4 决策树(Decision Tree)作为基础学习器

4.5 随机森林(Random Forest)的基本原理

4.6 Bootstrap Sampling与随机特征选择

4.7 Random Forest Regression的预测过程

4.8 Gradient Boosting Regression的基本原理

4.9 XGBoost Regression的基本思想

4.10 集成学习在小样本DEM数据库中的应用

5. Random Forest与XGBoost:自然休止角非线性预测

5.1 自然休止角与颗粒参数之间的非线性关系

5.2 Random Forest Regression模型建立

5.3 Number of Estimators与Maximum Depth

5.4 Random Forest的Bagging训练过程

5.5 XGBoost Regression模型建立

5.6 XGBoost的Boosting与逐步优化思想

5.7 Learning Rate、Tree Depth与Number of Estimators

5.8 Default、Shallow、Deep与Optimized模型比较

5.9 Cross Validation与Grid Search超参数优化

5.10 Random Forest与XGBoost的预测性能比较

6. 集成学习模型解释与颗粒参数影响分析

6.1 Feature Importance的基本概念

6.2 基于树模型的特征重要性分析

6.3 Permutation Importance方法

6.4 颗粒半径对自然休止角预测的贡献

6.5 摩擦角对自然休止角预测的贡献

6.6 颗粒数量对自然休止角预测的贡献

6.7 颗粒参数之间的非线性相互作用

6.8 特征重要性与DEM物理规律的一致性

6.9 机器学习相关性与物理因果关系的区别

6.10 集成学习模型的局限性与泛化能力

上午项目实践|基于YADE与集成学习的自然休止角预测

案例1:YADE颗粒堆积模拟与自然休止角可视化

案例2:颗粒半径、摩擦角和颗粒数量的参数化DEM模拟

案例3:批量生成120组自然休止角DEM数据库

案例4:自然休止角数据库统计分析与数据预处理

案例5:Random Forest Regression自然休止角预测

案例6:XGBoost Regression自然休止角预测及超参数优化

案例7:基于Random Forest与XGBoost的特征重要性分析

案例8:Random Forest与XGBoost预测性能综合比较




下午|进阶段:月壤颗粒冲击模拟与深度神经网络回归预测

7. 月壤颗粒材料与冲击侵入问题

7.1 月壤(Lunar Regolith)的基本物理特征

7.2 月球低重力环境与颗粒材料动力学

7.3 颗粒床冲击(Granular Bed Impact)的基本概念

7.4 冲击体与颗粒床之间的动力学相互作用

7.5 冲击速度与初始动能

7.6 颗粒摩擦、接触力与冲击能量耗散

7.7 颗粒床变形、侵入与局部颗粒重排

7.8 最大侵入深度(Maximum Penetration Depth)的定义

7.9 月壤冲击问题中的非线性动力学特征

7.10 DEM与AI结合的冲击响应快速预测方法

8. YADE月壤颗粒床冲击模拟与数据库生成

8.1 YADE月壤颗粒床DEM模型建立

8.2 月球重力加速度设置

8.3 颗粒床几何尺寸与边界条件

8.4 球形颗粒生成与初始堆积

8.5 冲击体几何、质量与初始速度设置

8.6 颗粒间接触模型与摩擦参数

8.7 冲击体运动轨迹与速度变化

8.8 接触力、侵入深度与颗粒运动可视化

8.9 最大侵入深度的自动提取

8.10 参数化DEM模拟与批量数据库生成

9. 月壤冲击数据库与深度学习回归任务

9.1 DEM生成的月壤冲击数据库介绍

9.2 输入变量与输出变量

9.3 颗粒半径(Particle Radius, r)

9.4 颗粒间摩擦角(Friction Angle, φ)

9.5 冲击速度(Impact Velocity, v₀)

9.6 输出变量:最大侵入深度(Maximum Penetration Depth, dmax)

9.7 冲击响应数据的统计分析

9.8 输入特征标准化(StandardScaler)

9.9 训练集、验证集与测试集划分

9.10 DEM模拟数据量与深度学习泛化能力

10. Deep Neural Network:深度神经网络基本理论

10.1 Artificial Neural Network(ANN)的基本思想

10.2 Multilayer Perceptron(MLP)与Deep Neural Network(DNN)的关系

10.3 输入层、隐藏层与输出层

10.4 神经元、权重与偏置

10.5 线性变换与非线性激活函数

10.6 ReLU、Sigmoid与Tanh激活函数

10.7 Forward Propagation:前向传播

10.8 Loss Function:MSE与MAE

10.9 Backpropagation:反向传播

10.10 Gradient Descent与Adam Optimizer

11. PyTorch DNN:月壤冲击侵入深度预测

11.1 PyTorch深度学习框架介绍

11.2 Tensor与神经网络数据表示

11.3 输入特征与输出标签的Tensor转换

11.4 DNN网络结构设计:3–64–64–32–1

11.5 Fully Connected Layer与ReLU激活函数

11.6 MSELoss损失函数定义

11.7 Adam优化器与Learning Rate设置

11.8 Epoch、Batch Size与Mini-batch Training

11.9 DNN模型训练与验证过程

11.10 训练损失与验证损失曲线绘制

12. DNN模型优化、泛化能力与预测评价

12.1 DNN训练误差与测试误差

12.2 过拟合(Overfitting)与欠拟合(Underfitting)

12.3 Early Stopping提前停止训练

12.4 Hidden Layers与Number of Neurons的影响

12.5 Learning Rate与Batch Size的影响

12.6 Dropout与Weight Decay正则化

12.7 真实侵入深度与预测侵入深度对比

12.8 MAE、RMSE与R²模型评价

12.9 DNN与Mean Baseline预测结果比较

12.10 DEM数据数量、随机性与DNN预测精度的关系

13. DEM–AI模型综合比较与工程应用

13.1 DEM数值模拟与AI代理模型(Surrogate Model)的区别

13.2 集成学习与深度神经网络的基本差异

13.3 Random Forest、XGBoost与DNN的适用条件

13.4 小样本与较大样本下的模型选择

13.5 模型预测精度与计算复杂度

13.6 DEM参数敏感性与机器学习特征重要性

13.7 DEM模拟数据的随机性与预测不确定性

13.8 数据质量、物理特征与机器学习性能

13.9 DEM–AI代理模型在颗粒材料工程中的应用

13.10 DEM–AI方法的局限性与未来发展方向

下午项目实践|基于YADE与DNN的月壤颗粒冲击侵入深度预测

案例1:YADE月壤颗粒床冲击模拟与冲击过程可视化

案例2:颗粒半径、摩擦角和冲击速度的参数化模拟

案例3:批量生成120组月壤冲击DEM数据库

案例4:月壤冲击数据库分析、标准化与数据划分

案例5:基于PyTorch的DNN网络结构构建

案例6:DNN训练、验证、Early Stopping与Loss Curve分析

案例7:DNN最大侵入深度预测及MAE、RMSE、R²评价

案例8:DNN超参数优化与DEM模拟数据量影响分析




第三天|DEM与GeoAI深度学习:颗粒滑坡时间序列预测与月壤冲击动力学分析

上午|基础段:DEM颗粒滑坡模拟与深度学习时间序列预测

1. DEM动力学模拟与时间序列数据

1.1 离散单元法(DEM)中的动力学问题

1.2 颗粒滑坡运动的基本物理过程

1.3 YADE中颗粒位置、速度、加速度与接触力

1.4 DEM模拟时间步长(Time Step)与数据采样间隔

1.5 颗粒运动数据与传统表格数据的区别

1.6 时间序列预测与静态回归预测的区别

1.7 单步预测与多步预测

1.8 单变量预测与多变量预测

1.9 时间序列滑动窗口(Sliding Window)

1.10 历史输入长度(Lookback)与预测时距(Forecast Horizon)

1.11 按DEM工况划分训练集、验证集与测试集

1.12 时间序列标准化与数据泄漏问题

2. 循环神经网络:RNN、LSTM与GRU

2.1 循环神经网络(RNN)的基本思想

2.2 时间序列中的隐藏状态与历史信息传递

2.3 RNN中的梯度消失与梯度爆炸问题

2.4 LSTM网络结构与基本原理

2.5 Forget Gate、Input Gate与Output Gate

2.6 Cell State与Hidden State

2.7 GRU网络结构与基本原理

2.8 Update Gate与Reset Gate

2.9 RNN、LSTM与GRU的结构比较

2.10 基于LSTM的颗粒滑坡位移预测

2.11 基于GRU的颗粒滑坡速度预测

2.12 不同预测时距下的模型性能比较

3. 卷积神经网络与时间卷积网络:CNN、TCN

3.1 一维卷积神经网络(1D-CNN)基本原理

3.2 卷积核、卷积步长与局部动态特征提取

3.3 CNN在颗粒运动时间序列预测中的应用

3.4 时间卷积网络(TCN)的基本思想

3.5 Causal Convolution(因果卷积)

3.6 Dilated Convolution(扩张卷积)

3.7 Receptive Field(时间感受野)

3.8 TCN Residual Block(残差卷积块)

3.9 TCN网络结构与多步预测实现

3.10 RNN、LSTM、GRU、CNN与TCN的区别

3.11 不同模型的预测精度与计算效率比较

4. 残差学习与多变量颗粒运动预测

4.1 Residual Learning(残差学习)的基本思想

4.2 内部残差连接与输出残差预测的区别

4.3 Residual LSTM网络结构

4.4 Residual TCN网络结构

4.5 绝对位移预测与位移增量预测

4.6 Multivariate TCN(多变量时间卷积网络)

4.7 滑坡前缘位置、质心位移与颗粒速度特征融合

4.8 Multivariate Residual TCN网络结构

4.9 多变量、多步滑坡运动预测的输入与输出设计

4.10 不同预测时距的误差分析

4.11 DEM工况变化对深度学习泛化能力的影响

上午实践:基于YADE的颗粒滑坡模拟与时间序列预测

使用YADE建立倾斜颗粒床与初始颗粒堆积模型

设置坡度、颗粒半径、摩擦角与重力参数

完成颗粒沉降、挡板释放与滑坡动力学模拟

记录滑坡前缘位置、质心位置、平均速度与最大速度

导出landslide_timeseries.csv和颗粒运动数据

可视化不同时间的颗粒分布与滑坡运动过程

构建历史时间窗口预测未来滑坡位移的数据集

建立RNN、LSTM与GRU预测模型

建立1D-CNN与TCN时间序列预测模型

建立Residual LSTM与Residual TCN模型

建立Multivariate TCN与Multivariate Residual TCN模型

比较不同模型的MAE、RMSE与R²

分析不同预测时距下的位移与速度预测误差



下午|进阶段:月壤冲击动力学时间序列预测与深度学习模型优化

5. 月壤冲击DEM模型与动态响应分析

5.1 月壤颗粒材料的DEM建模方法

5.2 第二天月壤冲击模型的回顾

5.3 静态最大侵入深度预测与动态响应预测的区别

5.4 冲击体位置、速度、加速度与接触力

5.5 侵入深度时间序列 \(d(t)\)

5.6 冲击速度时间序列 \(v(t)\)

5.7 接触力时间序列 \(F(t)\)

5.8 冲击动能时间序列 \(E_k(t)\)

5.9 DEM接触力的高频波动与时间序列采样

5.10 冲击过程的时间对齐与归一化

5.11 不同冲击速度、摩擦角与颗粒半径下的动力学响应

5.12 多工况DEM时间序列数据库构建

6. 月壤冲击动力学的深度学习预测

6.1 冲击侵入深度的单步预测

6.2 冲击侵入深度的多步预测

6.3 基于LSTM的冲击响应时间序列预测

6.4 基于GRU的冲击响应时间序列预测

6.5 基于1D-CNN的局部冲击特征提取

6.6 基于TCN的冲击响应多步预测

6.7 基于Residual TCN的侵入深度增量预测

6.8 冲击速度与侵入深度的多变量特征融合

6.9 Multivariate TCN与Multivariate Residual TCN

6.10 预测未来侵入深度与接触力的区别

6.11 不同冲击工况下的模型泛化能力

6.12 多步预测误差累积与物理合理性分析

7. 深度学习超参数与模型优化

7.1 模型参数与超参数的区别

7.2 Learning Rate(学习率)

7.3 Hidden Channels(隐藏通道数)

7.4 Kernel Size(卷积核大小)

7.5 Number of Blocks(残差块数量)

7.6 Batch Size(批次大小)

7.7 Epoch与Early Stopping

7.8 Dropout与模型正则化

7.9 超参数对TCN感受野与预测精度的影响

7.10 Manual Tuning(人工调参)

7.11 Grid Search(网格搜索)

7.12 Random Search(随机搜索)

7.13 超参数搜索空间与计算成本

8. Bayesian Optimization与Optuna自动超参数优化

8.1 Bayesian Optimization(贝叶斯优化)的基本思想

8.2 Objective Function(目标函数)

8.3 Search Space(搜索空间)

8.4 Surrogate Model(代理模型)

8.5 Gaussian Process(高斯过程)

8.6 Acquisition Function(采集函数)

8.7 Expected Improvement(期望改进)

8.8 Exploration与Exploitation(探索与利用)

8.9 TPE(Tree-structured Parzen Estimator)基本原理

8.10 Optuna框架与自动调参基本流程

8.11 Study、Trial与Objective Function

8.12 TPESampler与超参数采样策略

8.13 MedianPruner与低性能Trial提前终止

8.14 基于验证集RMSE的TCN优化目标设计

8.15 TCN网络结构动态构建与训练

8.16 Optimization History(优化历史曲线)

8.17 Hyperparameter Importance(超参数重要性分析)

8.18 最优超参数选择与模型重新训练

8.19 默认TCN、Random Search与Optuna优化TCN的比较

8.20 模型泛化能力与数据泄漏控制

下午实践:基于YADE月壤冲击数据的TCN预测与Optuna优化

导入第二天已经建立的月壤冲击DEM模型

在原有模拟中增加时间序列采样功能

记录冲击体位置、速度、侵入深度与接触力

将每组DEM工况导出为独立时间序列CSV文件

整理多工况冲击动力学数据库

分析不同冲击速度下的侵入深度与接触力变化

构建过去50个时间步预测未来10个时间步的训练数据

建立LSTM、GRU、1D-CNN与TCN模型

建立Residual TCN与Multivariate TCN模型

比较不同模型的MAE、RMSE与R²

安装并调用Optuna超参数优化库

定义Learning Rate、Hidden Channels、Kernel Size、Number of Blocks、Batch Size与Dropout搜索空间

使用TPESampler完成10次Trial课堂调参演示

使用Early Stopping与MedianPruner控制计算成本

绘制Optimization History与Hyperparameter Importance图

提取最优超参数并重新训练TCN模型

比较默认TCN与Optuna优化TCN的预测性能

分析未来不同时间步的侵入深度预测误差项目实践:DEM动力学模拟与深度学习时间序列预测

案例1: YADE颗粒滑坡动力学模拟,生成滑坡位移、速度与颗粒运动时间序列。

案例2: RNN、LSTM与GRU实现颗粒滑坡位移时间序列预测。

案例3: 1D-CNN与TCN实现滑坡运动预测,并比较不同网络结构的预测性能。

案例4: Residual LSTM与Residual TCN实现滑坡位移多步预测。

案例5: Multivariate TCN与Multivariate Residual TCN实现滑坡前缘、质心位移和速度的联合预测。

案例6: 复用第二天月壤冲击DEM模型,生成侵入深度、冲击速度与接触力时间序列。

案例7: 使用LSTM、GRU、1D-CNN与TCN预测月壤冲击侵入深度,并分析不同冲击工况的预测误差。

案例8: 使用Optuna与Bayesian Optimization自动优化TCN的Learning Rate、Hidden Channels、Kernel Size、Number of Blocks、Batch Size及Dropout。

案例9: 分析超参数优化历史、参数重要性及不同预测时距的误差,并设计默认TCN、Random Search与Optuna优化TCN的对照实验。




第四天|GeoAI智能体:AI Agent、YADE数值模拟与工程反向设计优化

上午|基础段:AI Agent基本原理与YADE数值模拟智能体

1. 从传统人工智能到AI Agent

1.1 传统机器学习与AI Agent的区别

1.2 大语言模型(LLM)的基本概念

1.3 AI Agent的定义与基本特征

1.4 AI Agent与传统自动化程序的区别

1.5 AI Agent的感知、决策、执行与反馈机制

1.6 Agent Workflow与Multi-Agent System

1.7 AI Agent在岩土工程与数值模拟中的典型应用

1.8 从人工操作数值模拟到自然语言驱动的工程计算

2. AI Agent核心理论与系统架构

2.1 AI Agent的基本组成:LLM、Tools、Memory与Environment

2.2 大语言模型作为智能体决策核心

2.3 Prompt Engineering与任务指令设计

2.4 Tool Calling与Function Calling

2.5 工具输入参数与输出结果的结构化设计

2.6 Reasoning–Action–Observation智能体执行循环

2.7 单智能体与多智能体协作机制

2.8 Python函数封装与工具注册

2.9 Agent执行流程与错误处理

2.10 工程计算智能体的可靠性与结果验证

3. Qwen大语言模型与Python智能体开发

3.1 Qwen开源大语言模型介绍

3.2 本地模型与云端API的区别

3.3 使用ModelScope与Transformers加载Qwen

3.4 Qwen模型输入与输出格式

3.5 System Prompt与User Prompt

3.6 Python工具函数的定义与调用

3.7 利用Qwen解析自然语言中的工程参数

3.8 将自然语言转换为结构化模拟任务

3.9 模型推理、显存管理与计算资源配置

3.10 建立简单的Qwen工程计算智能体

4. 基于AI Agent的YADE颗粒滑坡自动模拟

4.1 YADE离散单元法基本介绍

4.2 DEM模拟参数与输入变量

4.3 颗粒材料参数、坡度与边界条件

4.4 YADE模拟脚本的Python封装

4.5 建立 run_landslide() 数值模拟工具

4.6 Qwen识别用户指定的滑坡工况

4.7 智能体自动生成多组模拟任务

4.8 Python调用YADE执行DEM模拟

4.9 自动保存颗粒运动与滑坡时间序列数据

4.10 模拟任务执行状态与异常处理

4.11 利用Matplotlib展示滑坡运动过程

4.12 从自然语言输入到DEM模拟结果的完整工作流

上午实践

· 在Jupyter Notebook中配置Qwen与YADE运行环境

· 加载Qwen模型并测试自然语言理解能力

· 将已有YADE颗粒滑坡模型封装为Python工具

· 建立AI Agent与YADE之间的工具调用接口

· 输入自然语言:“分别模拟20°、25°、30°坡度下的颗粒滑坡”

· 自动运行三组DEM模拟并保存CSV数据

· 绘制不同坡度下的滑坡前缘位移与颗粒速度曲线

· 观察Agent的任务解析、工具执行与结果反馈过程



下午|进阶段:数据分析、深度学习、反向设计与自动科研报告

5. 基于AI Agent的DEM模拟数据自动分析

5.1 DEM模拟输出数据的基本结构

5.2 时间序列数据与颗粒运动数据

5.3 CSV数据自动读取与整理

5.4 建立数据分析工具 analyze_landslide_tool()

5.5 滑坡前缘位移计算

5.6 颗粒平均速度与最大速度统计

5.7 多工况模拟结果自动比较

5.8 不同坡度下的运动曲线可视化

5.9 Qwen对模拟结果的自动解释

5.10 物理趋势分析与异常结果识别

5.11 基于自然语言的数据查询与分析

6. 基于AI Agent的深度学习模型自动训练与评价

6.1 DEM模拟数据与机器学习的结合

6.2 时间序列预测任务定义

6.3 输入特征与预测目标选择

6.4 滑动时间窗口与训练样本构建

6.5 训练集、验证集与测试集划分

6.6 LSTM、GRU与TCN基本结构

6.7 利用PyTorch建立时间序列预测模型

6.8 建立模型训练工具 train_model_tool()

6.9 Agent根据任务选择预测模型

6.10 自动训练LSTM、GRU与TCN

6.11 MAE、RMSE与R²模型评价

6.12 多模型预测性能自动比较

6.13 模型超参数调整与简单自动优化

6.14 Qwen对模型预测结果与泛化能力的解释

7. 基于AI Agent的DEM反向设计与参数优化

7.1 Forward Simulation与Inverse Design

7.2 正向数值模拟与反向设计的区别

7.3 工程优化目标与设计变量

7.4 约束条件与目标函数

7.5 颗粒滑坡位移作为优化目标

7.6 坡度作为待优化设计变量

7.7 建立DEM反向设计目标函数

7.8 网格搜索(Grid Search)基本原理

7.9 建立反向优化工具 inverse_design_agent()

7.10 Agent自动选择候选设计参数

7.11 YADE模拟与优化算法的迭代调用

7.12 计算模拟位移与目标位移的误差

7.13 自动寻找最佳候选坡度

7.14 优化历史、误差曲线与结果可视化

7.15 代理模型(Surrogate Model)辅助优化的基本思想

7.16 AI Agent在工程参数反演与设计优化中的应用

8. 多工具协同与自动科研报告生成

8.1 单智能体多工具协同架构

8.2 模拟工具、分析工具与训练工具的集成

8.3 反向优化工具与报告工具的集成

8.4 Agent任务分解与工具执行顺序

8.5 多步骤工程计算工作流设计

8.6 模拟工况与模型结果自动汇总

8.7 自动生成统计表与对比曲线

8.8 利用Qwen生成科研结果摘要

8.9 自动生成HTML与Markdown科研报告

8.10 模拟结果、预测结果与优化结果的联合展示

8.11 工程结论与研究局限性自动整理

8.12 完整GeoAI智能体工作流演示

项目实践:AI Agent驱动的DEM模拟、预测与反向设计

案例1:基于Qwen与YADE的颗粒滑坡模拟智能体

建立Qwen与YADE之间的Python工具调用接口,实现自然语言驱动的DEM数值模拟。

用户输入:

请分别模拟20°、25°和30°坡度下的颗粒滑坡,并绘制滑坡前缘位移曲线。

智能体自动识别坡度参数,调用YADE完成三组模拟,保存时间序列数据,并输出滑坡运动曲线。

案例2:DEM模拟数据分析智能体

基于案例1生成的DEM数据,建立自动数据分析工具。

利用Pandas计算不同坡度下的滑坡前缘位移、平均颗粒速度和最大颗粒速度。

通过Qwen解释不同工况之间的差异,自动生成统计表、比较曲线和分析结论。

案例3:深度学习模型训练智能体

利用DEM模拟生成的滑坡时间序列,构建位移预测数据集。

建立LSTM、GRU与TCN三个深度学习模型,预测未来若干时间步的滑坡前缘位移。

自动完成数据预处理、模型训练、预测和评价,比较不同模型的RMSE、MAE和R²。

进一步通过Qwen解释模型预测效果,并讨论时间序列长度、训练样本数量及模型结构对预测性能的影响。

案例4:基于AI Agent的颗粒滑坡反向设计优化

给定目标滑坡前缘位移,例如0.15 m,在15°–35°范围内自动寻找合适的坡度。

利用网格搜索算法生成候选坡度,调用YADE逐一完成DEM模拟,计算模拟位移与目标位移之间的误差。

选择误差最小的候选坡度,绘制坡度—位移关系及优化误差曲线。

进一步介绍利用机器学习代理模型加速DEM参数优化的基本思想。

案例5:基于Qwen的自动科研报告智能体

整合前面四个案例的结果,构建自动科研报告生成工具。

自动汇总DEM模拟工况、滑坡动力学指标、LSTM/GRU/TCN预测结果及反向设计优化结果。

生成模拟曲线、模型评价表、优化历史图,并利用Qwen辅助撰写研究方法、结果分析、讨论与结论。

最终输出HTML或Markdown格式的科研报告。



往期学员反馈


课程会议完毕后老师长期解疑,课程群不解散,往期会议学员对于会议质量和授课方式一致评价极高!

课程模式与增值服务

课程模式

1、线上授课时间和地点自由,建立专业课程群进行实时答疑解惑。

2、理论+实操授课方式,由浅入深式讲解,结合大量实战案例与项目演练,聚焦人工智能技术在PINN、离散元领域的最新研究进展。

3、课前发送全部学习资料(上课所有使用的软件、包括丰富的PPT,大量的代码数据集资源)课程提供全程答疑解惑。

4、定期更新的前沿案例,由浅入深式讲解,课后提供无限次回放视频,免费赠送二次学习,永不解散的课程群答疑服务,可以与相同领域内的老师同学互动交流问题,让求知的路上不再孤单!

增值服务

1、凡参加人员将获得本次课程学习资料及所有案例模型文件;

2、课程结束可获得本次所学专题全部回放视频;

3、课程会定期更新前沿内容,参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程(任意一期)!

专题时间

大模型PINN+神经算子+Codex科研专题

2026.12.05---2026.12.06 (上午09:00-11:30 下午13:30-17:00)

2026.12.08---2026.12.09 (晚上19:00-22:00)

2026.12.12---2026.12.13(上午09:00-11:30 下午13:30-17:00)

腾讯会议 线上授课(共五天课程 提供全程视频回放和课程群答疑)

人工智能与离散元模拟专题

2026.12.26---2026.12.27 (上午09:00-11:30 下午13:30-17:00)

2027.01.09---2027.01.10( 上午09:00-11:30 下午13:30-17:00)

腾讯会议 线上授课(共四天课程 提供全程视频回放和课程群答疑)

专题费用

课程费用:

大模型PINN+神经算子+Codex科研专题

每人每班¥4980元(包含培训费、资料费、提供课后全程回放资料)

人工智能与离散元模拟专题

每人每班¥4980元(包含培训费、资料费、提供课后全程回放资料)

人工智能与岩土力学专题

每人每班¥4980元(包含培训费、资料费、提供课后全程回放资料)

早鸟价:提前报名缴费学员可得300元优惠(仅限前15名)

套餐价:

两人团报:两人团报课程¥9080元

三人团报:三人团报课程¥12880元

年报优惠:可免费学习一年特惠:18880元(一年内可参加本公司举办的任何课程,不限次数及课程,包括之后新课)

企业、课题组特惠:48880元(15人以上团报优惠)


报名费用可开具正规报销发票(会议费、培训费、资料费等)及提供相关缴费证明、邀请函,可提前开具报销发票、文件用于报销

报名咨询方式

报名流程:扫码报名→管理员对接→发送正式培训(会议)邀请函→缴费及开具发票。

联系人|薛老师

咨询电话|13716130479(微信同号)

官方网站 | http://www.dxianai.com

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
红船观察丨王忠林被查,权威声音释放关键信息

红船观察丨王忠林被查,权威声音释放关键信息

红船融媒
2026-11-17 11:36:09
中国股市大局已定:若一切正常,明年起,中国股市或迎来5大洗牌

中国股市大局已定:若一切正常,明年起,中国股市或迎来5大洗牌

星语者056
2026-11-17 08:46:25
昨晚陪闺蜜去汗蒸,她脱光的瞬间我破防:女人差距不止看脸蛋

昨晚陪闺蜜去汗蒸,她脱光的瞬间我破防:女人差距不止看脸蛋

皓皓情感说
2026-11-16 07:51:03
“深圳APEC主持人阵容拉满”,央视主持人康辉、王音棋、李京京、张安琪、郑新宇、王茫茫纷纷亮相深圳

“深圳APEC主持人阵容拉满”,央视主持人康辉、王音棋、李京京、张安琪、郑新宇、王茫茫纷纷亮相深圳

都市快报橙柿互动
2026-11-17 13:46:49
西安女大学生被系书记猥亵,不堪折磨上吊自尽,遗书内容曝光

西安女大学生被系书记猥亵,不堪折磨上吊自尽,遗书内容曝光

夜话奇谭
2026-11-17 13:37:52
美国媒体说黄仁勋疯了...

美国媒体说黄仁勋疯了...

新动察
2026-11-16 16:09:57
65岁刘德华自曝每天吃6颗鸡蛋,吃素13年曾迷上咖啡:每天喝20杯

65岁刘德华自曝每天吃6颗鸡蛋,吃素13年曾迷上咖啡:每天喝20杯

开开森森
2026-11-16 20:46:35
深圳APEC领导人会议前,人民日报、求是、新华社密集发声,一个定调释放三大信号!

深圳APEC领导人会议前,人民日报、求是、新华社密集发声,一个定调释放三大信号!

识局Insight
2026-11-17 12:59:56
这下彻底佩服了!​黄仁勋的情人黄乐,​手上戴的手镯,我特意去查了一下它的价格,真是贫穷限制了我的想象!

这下彻底佩服了!​黄仁勋的情人黄乐,​手上戴的手镯,我特意去查了一下它的价格,真是贫穷限制了我的想象!

财经要参
2026-11-15 12:00:05
中核集团原总经理顾军被公诉,曾被批“廉洁底线失守,搞权色交易”

中核集团原总经理顾军被公诉,曾被批“廉洁底线失守,搞权色交易”

界面新闻
2026-11-17 10:24:01
郭德纲“怒了”! 正式委托律师发布声明,具体细节曝光,疑与马志明收义子有关

郭德纲“怒了”! 正式委托律师发布声明,具体细节曝光,疑与马志明收义子有关

裕丰娱间说
2026-11-17 11:34:30
贝林厄姆CK内裤广告炸裂全网!网友:他爸管他,哈哈哈

贝林厄姆CK内裤广告炸裂全网!网友:他爸管他,哈哈哈

品牌新
2026-11-17 09:17:26
勇士惨负鹈鹕吞3连败:伦德博格28+8 费尔斯19+10+10锡安16+6

勇士惨负鹈鹕吞3连败:伦德博格28+8 费尔斯19+10+10锡安16+6

醉卧浮生
2026-11-17 11:29:59
传腾讯内部空前危机感:AI也会被替代!

传腾讯内部空前危机感:AI也会被替代!

城事堂
2026-11-17 00:05:10
二十届五中全会释放用人新风:跳出年龄学历框,不再降格凑班子

二十届五中全会释放用人新风:跳出年龄学历框,不再降格凑班子

户外阿毽
2026-11-17 06:11:58
又轰下43+9+3!抱歉科比:你保持10年的纪录被打破了

又轰下43+9+3!抱歉科比:你保持10年的纪录被打破了

篮球大视野
2026-11-16 15:03:26
外媒:深圳何以成为“奇迹之城”?

外媒:深圳何以成为“奇迹之城”?

中国青年报
2026-11-17 12:48:18
车船税优惠大调整!2027年1月1日起,大部分车主或将受到影响?

车船税优惠大调整!2027年1月1日起,大部分车主或将受到影响?

触摸史迹
2026-11-17 09:20:45
在登机口抛硬币“祈福”,61岁女子被拘5日!航班因此延误58分钟,湖北机场公安:在机场、停机坪抛硬币非常危险

在登机口抛硬币“祈福”,61岁女子被拘5日!航班因此延误58分钟,湖北机场公安:在机场、停机坪抛硬币非常危险

极目新闻
2026-11-16 21:03:21
广东惠州一男子将攒了18年的红包一次性拆开,从早上7点拆到10点,共拆了3小时,最后清点只有8523元,当事人:之前拆过一些100元的红包

广东惠州一男子将攒了18年的红包一次性拆开,从早上7点拆到10点,共拆了3小时,最后清点只有8523元,当事人:之前拆过一些100元的红包

潇湘晨报
2026-11-16 14:40:21
2026-11-17 15:36:49
CreateAMind incentive-icons
CreateAMind
CreateAMind.agi.top
1679文章数 21关注度
往期回顾 全部

科技要闻

硅谷大佬组局,帮黄仁勋杀回来!

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

体育要闻

伪强队?拥4亿豪阵欧国联6连败+世界杯出局

娱乐要闻

陈晓楠对话厉娜和许飞引全网热议

财经要闻

10万人逼宫英伟达,黄仁勋要复职了?

汽车要闻

更豪华更好开 问界新M8细节升级见真章

态度原创

数码
家居
教育
本地
公开课

数码要闻

满电开躁!11月16日,航嘉满电青年计划约你西南交大见!

家居要闻

2026建博会(广州) 公装联探展交流活动

教育要闻

济南市历下区燕山小学教育集团将出席2026第四届课博会,解码“做中学”视域下小学科学教育生态构建

本地新闻

乌兰察布:以前种土豆,现在种Token

公开课

李玫瑾:为什么性格比能力更重要?

无障碍浏览 进入关怀版