PAS刊发西工大张伟伟教授智能流体力学重磅综述论文

A Scientometric Investigation of Artificial Intelligence for Fluid Mechanics: Emerging Topics and Active Groups

智能流体力学的深度调研与定量统计：新兴主题和活跃团队

张伟伟，夏明坤，寇家庆

引用格式：Zhang, W., Xia, M., & Kou, J. A scientometric investigation of artificial intelligence for fluid mechanics: Emerging topics and active groups[J]. Progress in Aerospace Sciences, 2025, 157, 101130。

编者按

受主编邀请，作者系统调研梳理了人工智能与流体力学交叉领域的研究进展，通过科学计量学方法全面展示了该领域的发展脉络、研究现状和前沿方向。研究从建模、计算和工程应用三个方面系统总结主要研究成果，深入分析了不同国家、机构和学者的研究格局，梳理了当前国际上的代表性团队，为读者提供了清晰的领域发展全景图。审稿人指出，“This review could be an excellent resource for helping new graduate students get acquainted with the field of AI for fluid mechanics.” Progress in Aerospace Sciences是航空宇航学科邀请制综述期刊，影响因子长期位列航空宇航科学与技术学科期刊第一名。

一、研究背景

流体力学是一门历史悠久且高度成熟的学科，在理论研究、数值模拟和实验验证的共同推动下，已成为航空航天、能源动力等领域的关键技术，但其传统研究范式在复杂流动模拟中面临计算成本和理论局限的挑战。近年来，人工智能技术的兴起为流体力学研究范式带来了革命性转变，通过数据驱动建模在湍流模拟（如SINDy、符号回归）、高性能CFD计算（如ROM、PINN）和工程应用（流动控制、气动优化）等领域取得显著进展。尽管已有部分综述聚焦特定技术方向，但缺少对AI与流体力学融合研究脉络的整体性梳理。本文全面综述了该领域从建模、计算到应用的研究进展，统计了国家、机构合作网络和发文趋势，并重点梳理了代表性团队，旨在为研究者提供参考框架，促进学科深度交叉融合，并指明未来发展方向。

二、研究方法

为获取流体力学与人工智能相关文献数据，本研究利用Web of Science核心合集数据库的高级检索功能，覆盖截至2025年5月的研究出版物，共筛选出18,776篇论文。表1展示了所采用领域特定检索词，这些检索词的交集构成了检索流体力学人工智能相关论文的基础。数据分析采用VOSviewer统计分析软件，借助其映射和聚类功能，实现了文献的可视化与分类，后续章节将通过表格和可视化图表呈现研究成果。

三、调研统计信息

图1(a)呈现了流体力学与AI领域的研究热点与关键词共现关系，数据来源于两类检索词集合。通过VOSviewer生成的关键词共现网络图谱，以不同颜色的节点和连线展示关键词及其共现关系。其中节点大小表示关键词出现频次，连线则体现共现次数。图谱可划分为四大研究集群：红色集群聚焦机器学习、计算流体力学、模拟、流动与湍流，凸显机器学习在流体动力学模拟与湍流研究中的应用；绿色集群包含本征正交分解、降阶模型、流动控制等关键词，反映降阶模型在流动控制中的研究；蓝色集群涵盖深度学习、神经网络与空气动力学，展示深度学习在特定领域的应用；紫色集群包含优化、遗传算法与多目标优化，体现AI在流体力学系统设计与优化中的运用。此外还存在若干小型集群代表特定研究主题或方法。节点大小反映关键词在网络中的重要性，如被引频次或出现频率。例如"机器学习"与"流动"等关键词节点较大，表明其在文献中高频出现，是该领域的核心议题。通过分析这些节点与连线，研究者可识别不同研究主题间的关联，发掘潜在合作机会与研究空白。

图1(b)展示了2000-2024年间流体力学AI研究的年度发文量与引用频次趋势。统计分析显示二者均呈指数增长规律，其中发文量以每年1.46倍递增（相当于每年增长46%），引用频次则以更高的1.68倍攀升（对应每年68%增速）。

图1(c)呈现了对应的发文量同比增长率。2000-2014年间发文与引用频次均处于较低水平且存在波动，表明流体力学AI交叉研究尚处萌芽阶段。2014年后受AI技术持续进步及PINN、SINDy等方法论突破驱动，发文量显著激增，引用量同步攀升，反映学界对这一交叉领域关注度提升。值得注意的是，2020年后受全球疫情影响发文增速虽有所放缓但仍保持稳定增长，至2023年生成式AI技术（如ChatGPT）的创新进一步加速了流体力学AI研究的拓展。

表2总结了流体力学AI研究概况，包含作者、国家、机构与期刊等信息。中国、美国、英国、德国与印度是主要贡献国家，关键研究机构包括中国科学院、法国国家科学研究中心、西北工业大学、美国能源部及印度理工学院系统等。研究论文主要发表在《Physics of Fluids》、《Journal of Fluid Mechanics》、《Journal of Computational Physics》等流体力学国际权威期刊，以及《AIAA Journal》、《Aerospace Science and Technology》、《Ocean Engineering》等专业期刊，体现了该领域国际化的研究环境与多元化的学术交流平台。

在人工智能技术广泛应用于流体力学研究的背景下，当前研究可归纳为建模、计算与应用三大方向。这些方向涵盖了从基础理论到工程实践的多层次研究领域。表3中我们通过在Web of Science的检索，列出了使用的检索词与高被引作者及其论文。

在建模领域，研究主要集中在降维与知识发现和基于机器学习的湍流建模两方面。降维与知识发现旨在为流体动力学系统构建低维特征空间，利用数据挖掘技术揭示复杂流动背后的物理规律；而基于机器学习的湍流建模则致力于发展更高精度的湍流模型，以提升预测泛化能力。这些建模方法通过数学理论与数据驱动技术的融合，不仅为处理非线性流体力学问题提供了新范式，也为理解复杂流动系统的机理与实现精准预测奠定了理论基础。

在计算方向，研究侧重于降阶模型与特征提取和基于机器学习的CFD模拟。降阶模型研究通过构建参数化低维流形与特征选择机制，发展具有泛化能力的降阶模型；而基于机器学习的CFD模拟创新性地将深度神经网络嵌入控制方程的求解过程，实现对非线性流动特性的自主识别与高效计算。这些方法通过物理机制与数据驱动特征的结合，大幅提升了复杂流动问题的计算效率与泛化能力，为突破传统CFD在工程应用中的计算瓶颈提供了新思路。

在应用方向，研究聚焦于数据融合与重构、多场多学科耦合、智能流动控制及气动外形优化等实际工程挑战。数据融合与重构研究致力于建立多源异构数据的统一框架，通过深度学习实现高精度流场重构；多场多学科耦合则针对热-流-固耦合问题的建模方法展开研究；智能流动控制创新性地将机器学习算法融入主动流动控制，实现对复杂流动的自适应调控；气动外形优化利用深度代理模型与优化算法的混合框架，大幅提升设计效率与性能。AI技术在这些领域的深度融合，不仅克服了传统流体力学难题，更推动航空航天等工程领域向数字化与智能化方向发展。

为全面评估人工智能在流体力学领域的研究动态，本研究选取了国家、机构、期刊、作者、10年复合年增长率（CAGR）以及各研究方向年度发文趋势等关键指标。这些指标系统反映了AI与流体力学融合的深度及其发展潜力，详细数据见表4与图2。我们对流体力学与AI研究进行深入剖析：

（1）研究热点与趋势

基于研究方向的10年CAGR数据，"降维与知识发现"（49.56%）、"数据融合与重构"（38.61%）和"基于机器学习的湍流建模"（33.86%）是增长最快的领域，表明流体力学AI的核心应用聚焦于数据驱动模型构建、降阶模型和多源信息整合。相较之下，"降阶模型与特征提取"（20.24%）和"气动外形优化"（20.62%）增速较低，表明这些领域可能趋于成熟或面临技术瓶颈。高增长方向均强调高效数据处理，反映出流体力学研究正从传统理论建模向数据密集型范式转变。增速差异体现了学界对基础数据技术（如降维、建模）的优先发展，而工程应用（如气动设计）仍需技术积累。

图2展示了各子方向的年度发文量与引用频次，反映其发展潜力。研究发现，AI技术持续积累与流体力学AI方法论突破的协同效应，共同促成了图2(a)中呈现的同步指数增长趋势。然而各子领域发展轨迹存在显著差异：图2(b)显示两个建模类子方向——"降维与知识发现"与"基于机器学习的湍流建模"增速最快；计算方法中"降阶模型与特征提取"和"基于机器学习的CFD模拟"年发文量最高，是当前最活跃的研究领域；而其余四个应用类子方向虽持续发展，但进展相对缓慢且活跃度较低。

（2）研究者、国家与机构分布

美国与中国在所有八个研究方向均占据前两位。美国凭借高性能计算、基础算法研究及国家实验室体系（如能源部）保持领先，中国则通过高校（北京大学、西北工业大学等）和国家级科研机构（如中科院）快速追赶，尤其在气动设计等工程应用领域表现突出。在建模与计算等基础研究领域，顶尖研究者、国家及机构多来自美国，而中国在技术转化与应用方面占据优势。德国、英国和法国构成第二梯队，侧重跨学科合作。中美两国凭借高投入和政策支持形成主导地位，欧洲国家则通过传统工程优势与跨国合作网络保持竞争力。美国能源部、北京大学和加州大学系统在多个方向频繁出现，展现其资源整合与跨学科协作能力。西北工业大学在"智能流动控制"、"气动设计"等工程导向方向表现突出，凸显其航空航天学科优势。

（3）核心期刊分布

《Journal of Computational Physics》与《Physics of Fluids》（在8个方向中出现7次）是两大核心期刊，覆盖从基础理论到工程应用的广泛主题。《AIAA Journal》《Aerospace Science and Technology》等航空航天期刊在"气动设计"方向高频出现，表明AI与传统工程领域深度融合。学科壁垒正在弱化——《Journal of Fluid Mechanics》等经典流体期刊正越来越多地接纳AI技术。

四、合作网络可视化

在构建检索式学期论文数据库知识图谱的过程中，本研究运用VOSviewer工具对多维合作网络进行可视化分析。通过多种文献计量指标，揭示学术社群的结构特征。如图3~7所示，网络图基于作者合作、机构合作、国家合作、共同引和共被引五项指标呈现。具体而言：（1）作者合作网络基于合著数据，利用节点中心度和中介中心度等指标识别核心学者和学术社群。（2）机构合作网络通过地理空间表征绘制跨机构合作模式，揭示知识生产的组织基础。（3）国家合作网络利用国际合著数据，采用模块度聚类方法展现全球学术格局的区域特征。（4）共同引以作者为节点，基于已发表著作中参考文献的重叠度构建网络，揭示具有相似研究兴趣和知识基础的学者群体。（5）共被引分析也以作者为节点，通过作者在引用文献中的共现构建知识网络，识别有影响力的核心学者及其研究的主题联系。

基于五张图的多维网络分析，人工智能与流体力学交叉学科研究特征分析：

（1）核心学者与学术共同体（作者合作网络）

通过图3作者合作网络的拓扑分析发现，该领域呈现出以Bernd Noack、Steven Brunton为核心的辐射型合作架构。其节点中心度和中介中心性显著高于领域均值，证实其在知识传播中的枢纽地位。模块化分析显示存在多个稳定学术共同体：以Gianluigi Rozza为代表的降阶模型研究群组、George Karniadakis主导的物理信息神经网络群组、Richard Sandberg领衔的湍流建模团队，以及Weiwei Zhang领衔的智能流体力学建模（湍流建模、气动力建模）与仿真（AI4CFD、流体大模型仿真）应用基础研究群体。这种结构特征揭示了领域内"方法驱动型"与"问题导向型"研究范式并存的发展态势。在第五部分我们也对代表性团队进行分析。

（2）跨机构合作模式（机构合作网络）

图4机构合作网络呈现出显著的地理邻近性与学科互补性双重特征。基于VOSviewer的地理空间映射显示，欧美机构形成了以基础算法开发为核心的创新集群，其平均合作强度显著高于亚洲机构集群。从网络拓扑结构来看，中科院系统（棕色节点集群）在合作网络中自成体系，与国内高校（绿色节点集群）和西方机构（红色节点集群）均保持着密切的知识交流。值得注意的是，部分机构节点位于红色和绿色集群之间，表明这些机构在中西方学术交流中扮演着重要的桥梁角色。

（3）全球学术格局的区域特征（国家和地区合作网络）

图5节点较大的国家可能在该领域的国际合作中更为活跃，其参与的国际合作论文数量较多。例如，美国、中国等国家的节点较大，说明它们在全球人工智能与流体力学交叉研究中处于较为重要的地位，与其他国家或地区有广泛的合作关系。全球合作网络模块化分析显示，已形成多个典型知识生产区：北美-欧洲联合体主导算法-实验融合研究、亚太应用创新圈侧重工程场景优化、以及新兴研究联合体。数据分析表明，地区间合作强度与研发投入匹配度显著相关。

(4) 学者群体及其知识基础（共同引网络）

图6中，以作者为节点，节点之间的连线基于参考文献重叠度建立关联网络。连线密集的作者群体具有相似的研究兴趣，他们引用的文献存在较多重叠，说明他们在知识获取和研究方向选择上有共同之处。例如，若一群作者都主要引用了关于深度学习在流体力学数值模拟方面的经典文献，可判断他们可能都在该方向进行研究。其中Weiwei Zhang在中央，涉猎最广，蓝色部分主要有Richard Sandberg， Karthik Duraisamy以湍流建模为主，绿色部分主要有Bernd Noack, Steven Brunton，Gianluigi Rozza以降阶模型和特征提取为主要研究，红色主要是George Karniadakis，以PINN在流体力学应用为主。

基于共同引用网络，可挖掘潜在的合作机会。如果发现某些作者群体虽然目前没有合作，但他们的研究兴趣高度相似（通过共同引用文献体现），可能存在潜在的合作空间。

(5) 学术影响力与研究主题相关性（共被引网络）

节点较大的作者在共被引网络中可能是具有学术影响力的核心学者，他们的研究工作被众多其他学者在不同论文中共同引用，表明其研究成果对该领域具有重要贡献和广泛影响。例如，在人工智能与流体力学交叉领域，某位提出创新性算法应用于流体力学问题解决的学者可能被大量共被引。Steven Brunton为据中央，蓝色主要是Julia Ling等的湍流建模，绿色主要是模态分解、降阶模型的学者，红色主要是机器学习方面的学者，比如Yann LeCun，Ian Goodfellow等等，长张图集中体现了跨学科合作的优势。

该分析揭示了显著的马太效应，全球顶尖大学和研究团队主导了高影响力出版物的产出。发表在顶级期刊上的原创性研究成果和高质量综述论文，是支撑其广泛学术影响力和曝光量的主要因素。通过对Web of Science核心合集中"AI for Fluid Mechanics"领域高被引论文的分布分析，我们发现这一现象同样存在。尽管中国学者发文量大，在工程应用方面表现良好，覆盖各个方向并形成本地高引集群，但其全球中心度相对较低，高被引论文较少（见表5），在国际期刊上发表的论文的国际关注度不足，基础性方法创新的国际影响力与产出规模存在不匹配。这种差异源于研究范式（以应用为重点与理论突破）、学术生态系统成熟度（例如，算法开发-开源共享-应用程序验证链）和不对称的学术交流机制（例如，研究团队国际化程度不足，在顶级期刊中的编辑存在有限，以及政治因素对国际学术合作带来的影响）的差异。加强跨媒体传播战略和加强国际合作可以应对这些挑战。

五、代表性团队

六、总结展望

1. 理论建模：数据驱动的复杂流体问题白箱建模与知识发现

在湍流动力学、转捩预测、燃烧反应、多相流界面演化、超临界流体相变及非牛顿流体等复杂流体领域，传统理论建模面临三大瓶颈：1）非线性多场耦合导致方程难以解析求解；2）跨尺度相互作用机制尚不明确；3）工程经验公式的普适性与精度存在固有矛盾。

近年来，以深度学习、符号回归为代表的数据驱动方法在流体力学领域展现出巨大潜力。通过融合高精度仿真数据与实验观测数据，这些方法能够从海量数据中挖掘隐式物理规律，为复杂流动现象的建模提供新思路。值得注意的是，数据驱动方法本质上是一种知识发现的过程，许多流体力学问题的核心挑战正是缺乏精确的解析模型，而流动数据本身已隐含了未被显式表达的物理规律。通过数据驱动的建模方法，我们可以直接从观测数据中提取潜在的动力学模型，实现"数据即模型"的建模范式，使物理规律与数据表达自然统一。

通过定制化模型并结合小样本微调策略，可显著降低对高成本数据的依赖，并支持不同物理参数（如雷诺数、马赫数）下的快速迁移建模。为应对流体力学中的多尺度建模挑战，研究重点正转向融合数据驱动方法与跨尺度特征传递的混合框架，该框架旨在实现从微观（如分子动力学）到宏观（如工程流动）的高效信息传递，同时增强模型在复杂工况下的适应能力。

尽管数据驱动方法具有较强的拟合能力，但数据驱动模型可能引入冗余的高维特征，将一些关联关系视为因果关系进行建模，导致模型在物理一致性上存在缺陷，泛化性差。为此，可结合符号回归知识发现技术，从黑箱模型中提取显式物理规律，增强模型的可解释性，确保其既符合数据特征，又满足物理一致性。同时，引入因果分析算法（如因果发现）有助于识别流动中的真实因果关系，避免将关联关系用于本构建模。

未来智能流体力学的发展不应以数据驱动简单替代物理方程，而应构建“第一性原理+AI修正项”的协同架构。这种混合模型既能保留物理方程的普适性，又能通过数据驱动修正特定场景下的复杂性，从而实现更精准的预测。通过将大型语言模型（LLMs）集成到科学中，研究人员可以利用特定领域的知识检索、自动假设生成和多物理耦合分析来发现流体行为中的隐藏模式。最终，这一范式将推动流体力学研究从传统的“先假设后验证”转向“数据揭示未知”的新模式，为复杂流动问题的解决提供更高效、可解释、可泛化、可工程实现的解决方案。

2. 计算仿真：微分方程求解范式的智能优化革新

微分方程的求解长期以来依赖于数值离散和迭代求解方法。这些方法虽然成熟，但在计算效率和精度上仍存在诸多局限，尤其在融合实验数据、求解反问题和高维参数化问题方面处理能力不足。近年来，人工智能的迅速发展正在推动微分方程求解的范式变革，形成了从AI for CFD 到 CFD for AI 的双向融合。前者强调AI对传统CFD方法与模型的加速和优化，后者则探索如何利用CFD的成熟技术提升现有神经网络求解器解决复杂问题的能力，并推动其在融合实验数据、反问题和参数化问题求解方面取得新的突破。

AI for CFD 通过借助AI环境，运用AI算法替代或改进现有CFD模块中的模型和格式，加速求解或提升原有方法精度和鲁棒性；在CFD求解中的部分或全部模块中，深度适配AI算法和AI算力，进一步提升效率。首先，在空间离散方面，可以通过机器学习方法学习新的的数值离散格式，提高数值精度和鲁棒性。其次，在迭代求解方面，通过数据驱动方法，提升批量化求解乃至伪时间迭代过程中的仿真效率。另外，机器学习自适应调整迭代策略，也可提高计算效率。此外，物理建模是CFD的关键组成部分，特别是在湍流模拟中，传统的RANS、LES等方法依赖经验模型，而AI可以直接学习高品质流动数据中的统计规律，构建高精度湍流封闭模型，或者对现有物理模型进行误差修正。 在CFD前置处理过程中，包括几何处理和网格生成方面，人工智能利用人机交互和智能化算法，可以极大提高效率和质量。在后置处理方面，包括流动可视化、降阶模型以及多物理场耦合方面，人工智能也大有可为，可极大提高工程设计的效率。

另一方面，基于神经网络的微分方程求解为计算科学带来了新范式，但在强间断和跨尺度等复杂流动问题求解上，还存在一些瓶颈。CFD for AI 关注如何借鉴传统CFD的一些求解方案，来提升神经网络求解NS方程的收敛性、精度和计算效率，进一步结合该范式的自身优势，推动融合实验数据、求解反问题和参数化问题求解方面的深刻变革。微分方程的智能求解，通过网络架构设计、损失函数设计、时空残差采样以及网络参数优化等步骤实现。然而面临的优化病态性、全局逼近能力不足等问题，使其在复杂工程场景中的应用面临挑战。而传统CFD经过数十年的发展，已经形成了一系列成熟的数值技术，并且这些方法往往深植于对物理机理的深刻理解。例如，符合流动时间演化历程的时间推进方法可以缓解病态；非均匀各向异性网格在处理复杂几何和各向异性流场时可有效提高局部计算精度；保守恒的算法可以保障长时间推进的数值精度和稳定性；符合流动信息传播方向的迎风格式能够改善数值稳定性。这些传统CFD技术可以被引入神经网络求解框架的设计，优化其计算稳定性，提高精度和泛化能力，并加速其在工程级应用中的落地，为复杂物理问题的高效求解提供更加稳健的解决方案。

3. 工程方案：多范式融合的复杂系统设计与数字孪生应用

在航空航天、能源装备等高端工程领域，多物理场耦合系统的设计优化面临三大核心挑战：1）跨尺度问题带来的建模难题，以及计算精度与效率之间的平衡难题；2）多学科设计变量间的隐式强耦合关系，导致流-固-热-化学多场耦合的非线性响应难以准确建模；3）高保真仿真与实验验证的成本呈指数级增长，降本增效矛盾突出。基于试错法的“设计-仿真-测试”传统循环已难以满足现代工程对设计效率与精度的双重需求，亟需建立新一代智能设计方法论。

通过构建多源异构数据融合与物理机理协同的智能建模新框架，整合实验观测、数值仿真和历史经验三类关键数据源，并嵌入第一性原理等理论先验知识，形成具有物理可解释性的混合建模体系。该框架的核心创新在于：利用降维和流形发现技术揭示高维工程数据中的本质特征空间，通过迁移学习实现跨工况、跨尺度的知识复用，结合稀疏数据重构技术充分挖掘有限样本的潜在价值，从而显著提升数据利用效率。这种“数据-物理”双驱动的建模方法不仅能够突破传统仿真技术的精度瓶颈，更能为数字孪生系统提供实时、高保真的虚拟映射基础，实现从产品设计、制造到运维的全生命周期闭环优化。

值得关注的是，该框架能够自适应地学习工程实际中的复杂非线性特征，为解决航空航天、能源装备等领域的多物理场耦合问题提供了全新的技术路径。未来研究应重点关注多模态数据融合的普适性方法、小样本条件下的稳健建模技术，以及数字孪生系统的自主进化机制等关键科学问题。

公众号原文链接（文末附论文资源）：

PAS刊发西工大张伟伟教授智能流体力学重磅综述论文

注：文章由作者原创供稿，并获得作者授权发布。