• 书名：数智流体力学

• 丛书名：普通高等教育“十四五”规划教材

• ISBN：978-7-5240-0341-0

• 出版社：冶金工业出版社有限公司

• 定价：57

• 作者：宋洪庆

• 出版时间：2025-08-20

内容简介

该书以“数智流体力学”为核心主题，系统探讨了大数据与人工智能技术如何革新传统流体力学的研究范式。主要内容包括：（1）数智流体力学新范式 。提出数据驱动的智能模型替代传统基于物理方程的复杂建模方法，通过机器学习与深度学习技术高效解决多相流动、多场耦合等复杂问题，显著提升计算效率与精度，并与经典流体力学、计算流体力学形成互补协同。（2）大数据与人工智能技术基础。详细解析大数据处理流程、核心技术及常用算法，并结合流体力学场景说明数据治理与物理信息融合的重要性。（3）机器学习与深度学习算法。涵盖感知机、决策树、支持向量机、Boosting等经典算法，以及前馈神经网络、卷积神经网络、循环神经网络等深度学习模型，重点讨论反向传播、梯度优化、正则化等关键技术，并分析其在流场重建、湍流模拟中的应用。（4）跨领域应用与前沿技术。结合流体力学需求，展示数智方法在实验数据处理、实时监测、参数优化中的实践案例，如粒子图像测速、时序预测、非线性动力学建模等，同时探讨NoSQL数据库、残差网络（ResNet）等新兴技术的潜力。全书贯穿“数智融合”思想，强调数据、算法与物理规律的协同创新，为流体力学研究提供了高效、灵活的新工具，并展望了其在工程仿真、环境科学等领域的广阔前景。

编辑推荐

本书立足于数智流体力学的前沿进展，旨在为读者系统梳理其理论框架、技术路径与场景实践。面向读者群体广泛：高年级本科生与研究生可通过本书掌握数智流体力学的核心概念；工程师可借鉴案例库快速部署智能流体解决方案；科研人员则可从方法论创新中获得跨学科灵感。阅读本书需具备基础流体力学与编程知识，降低跨领域学习门槛。

目录

第一部分 大数据技术与常用的人工智能算法. 7

1流体力学、大数据技术与人工智能. 8

1.1大数据技术与人工智能. 8

1.1.1数智流体力学发展历程. 8

1.1.2大数据技术基本介绍. 9

1.1.3人工智能基本介绍. 10

1.1.4大数据处理流程. 11

1.2大数据技术基本知识. 13

1.2.1云计算与MapReduce 13

1.2.2分布式文件系统. 15

1.2.3分布式并行数据库. 15

1.2.4开源实现平台Hadoop 19

2机器学习概论. 22

2.1机器学习. 22

2.1.1机器学习的特点. 22

2.1.2机器学习的对象. 22

2.1.3机器学习的目的. 22

2.1.4机器学习的方法. 22

2.1.5机器学习的研究. 23

2.1.6机器学习的重要性. 23

2.2机器学习的分类及三要素. 23

2.2.1机器学习的分类. 23

2.2.2机器学习三要素. 26

2.3感知机. 29

2.3.1感知机模型. 29

2.3.2感知机学习策略. 30

2.3.3感知机学习算法. 31

2.4决策树. 32

2.4.1决策树模型. 32

2.4.2决策树学习. 33

2.5支持向量机. 36

2.5.1线性可分支持向量机与硬间隔最大化. 37

2.5.2线性支持向量机与软间隔最大化. 40

2.5.3非线性支持向量机与核函数. 41

2.6 Boosting 42

2.6.1 AdaBoosting算法. 42

2.6.2提升树. 44

2.6.3梯度提升. 45

3深度学习. 46

3.1前馈神经网络. 46

3.1.1前馈神经网络的模型. 46

3.1.2前馈神经网络的表示能力. 52

3.1.3前馈神经网络的优化算法. 53

3.1.4算法的实现技巧. 55

3.1.5前馈神经网络学习的正则化. 56

3.2 卷积神经网络. 58

3.2.1卷积神经网络的模型. 58

3.2.2卷积神经网络. 61

3.2.3卷积神经网络性质. 63

3.2.4卷积神经网络的算法. 64

3.2.5图像分类中的应用. 67

3.3循环神经网络. 69

3.3.1简单神经网络. 69

3.3.2常用循环神经网络. 73

3.3.3自然语言生成中的应用. 78

4超参数优化方法. 83

4.1超参数概述. 83

4.1.1常见的超参数类型. 83

4.1.2超参数优化. 84

4.1.3超参数优化的挑战与选择. 84

4.2网格搜索. 84

4.2.1网格搜索概念. 84

4.2.2网格搜索原理. 85

4.2.3网格搜索的局限性与问题. 85

4.2.4网格搜索的应用与改进. 86

4.3随机搜索. 86

4.3.1随机搜索概念. 86

4.3.2随机搜索的随机性. 87

4.3.3随机搜索的局限性与挑战. 88

4.4贝叶斯优化. 88

4.4.1贝叶斯优化基本概念. 88

4.4.2贝叶斯优化中的替代模型. 90

4.4粒子群优化. 91

4.4.1粒子群优化概念与基础理论. 91

4.4.2粒子群优化的优缺点. 93

4.5遗传算法. 93

4.5.1遗传算法概念. 93

4.5.2遗传算法详解. 94

4.5.3遗传算法的工作流程. 95

4.5.4遗传算法的优缺点. 95

5 大模型. 97

5.1大模型的发展及现状. 97

5.2面向油气资源开发的领域大模型构建. 105

5.2.1 油气开发领域大模型系统架构. 105

5.2.2 面向油气开发的大模型集成应用. 106

5.2.3 检索增强生成. 107

5.2.4 基于智能体的多模型混合交互模式. 108

第二部分 数智流体力学交叉方法. 110

6.流体力学的发展. 111

6.1 流体力学的概念与发展简史. 111

6.1.1 流体力学概念. 111

6.1.2 流体力学的发展历史. 112

6.2 流体力学的研究方法. 113

6.2.1 经典流体力学研究方法. 113

6.2.2 计算流体力学研究方法. 116

6.2.3 数智流体力学交叉理念. 118

7数智流体力学理论内容. 121

7.1 数据治理. 122

7.1.1 仅数据特征的治理方法. 125

7.1.2 含物理约束的治理方法. 129

7.2 基于物理信息的智能算法. 133

7.2.1基于输入数据的嵌入机制. 133

7.2.2基于模型架构的嵌入机制. 134

7.2.3基于损失函数的嵌入机制. 135

7.2.4基于模型优化的嵌入机制. 138

第三部分 数智流体力学场景应用. 139

8基于数字岩心的物性参数智能预测. 141

8.1 数据治理体系. 141

8.2 模型构建. 146

8.3 结果展示. 148

9面向油气领域的储层剩余油分布智能预测. 150

9.1场景描述. 150

9.2数据准备. 150

9.3模型构建. 155

9.4结果展示. 160

10流体力学控制方程的机器学习. 161

10.1场景描述. 161

10.2数据准备. 162

10.4结果展示. 167

11融合深度学习以及迁移学习的油气产量智能预测. 173

11.1场景描述. 173

11.2数据准备. 173

11.3模型构建. 175

11.3.1双向长短期记忆（Bi-LSTM）. 175

11.3.2 迁移学习. 177

11.4结果展示. 178

11.4.1 Bi-LSTM模型在垂直井上的生产预测性能. 178

11.4.2 T-Bi-LSTM模型在水平井上的预测性能. 179

11.4.3不同生产类型水平井的预测结果. 181

12融合集成学习以及多目标优化的注采参数智能优化算法. 183

12.1场景描述. 183

12.2数据准备. 185

12.2.1.目标油藏描述. 185

12.2.2.数据处理与代理模型训练. 186

12.3模型构建. 186

12.3.1代理模型的超参数和评估指标. 188

12.3.2基于PSO的帕累托前沿. 189

12.4 结果展示. 190

12.4.1注采代理模型的性能. 190

12.4.2与其他机器学习方法的比较. 193

12.4.3基于数据敏感性分析的井间连通性评估. 195

12.4.4生产优化. 196

12.4.5结论. 197

13湍流建模的机器学习. 198

13.1场景描述. 198

13.2模型构建. 199

13.2.1机器学习辅助湍流建模框架. 199

13.2.2基于张量分析和物理特征分析的输入特征选择. 200

13.2.3针对翼型绕流问题的局部建模和代入计算. 202

13.2.4数值方法验证. 203

13.3模型训练与预测结果. 205

13.3.1模型训练与预测结果. 205

13.3.2结论. 207

14煤层气藏大模型应用实例. 207

14.1研究背景. 208

14.2基于检索增强生成的煤层气藏专业问答助手. 210

14.3 煤层气藏产量智能预测. 211

14.4 基于数字岩心的相对渗透率智能预测. 212

14.5 结论与展望. 213