流体动力学神经网络的超参数优化研究：648种组合的系统性探索

该研究是TED大学数学系的本科毕业论文，聚焦流体动力学神经网络的超参数优化，通过系统性探索648种超参数组合，探讨小批量梯度下降在科学计算中的应用。项目提供PyTorch（自动微分、GPU加速）与纯NumPy（原理透明、教学友好）双轨实现，并采用5折交叉验证评估模型性能。项目源码来自GitHub用户arincemir的mbgd-fluid-dynamics-ann仓库，发布于2026年7月12日。

流体动力学的核心挑战源于纳维-斯托克斯方程的非线性、多尺度性、高维度及边界复杂性。传统计算流体力学（CFD）方法（有限差分、有限体积等）精度高但计算成本高昂。机器学习的介入为流体动力学提供新工具：替代模型加速预测、降阶模型简化参数化研究、超分辨率提升网格精度、逆问题反推边界条件等。

技术架构：双轨实现——PyTorch版本利用自动微分和GPU加速简化训练；纯NumPy版本从零实现前向/反向传播，便于理解算法本质。 超参数搜索：探索648种组合，涵盖网络架构（隐藏层数量、神经元数、激活函数）、优化参数（学习率、批量大小、优化器类型）、正则化参数（L2强度、Dropout比率）。采用网格搜索策略及5折交叉验证（3240次训练）确保结果稳健。

数据集为模拟流体动力学数据，通过OpenFOAM等CFD软件生成，包含输入特征（空间坐标、时间步、边界条件、材料属性）与输出目标（速度分量、压力场、涡量）。预处理步骤包括归一化、降维及时空采样，以适配神经网络训练。

超参数敏感性：学习率是关键（过大导致震荡发散，过小收敛缓慢）；批量大小需权衡效率与泛化（小批量噪声大但泛化好，大批量快但可能泛化差）；网络深度需匹配任务复杂度（浅网络欠拟合，深网络易过拟合）。 最优配置：通过MSE、MAE、R²及物理约束满足度评估，识别验证集最佳配置。结果可视化包括预测场与CFD对比、误差分布分析及特征重要性评估。

局限性：模拟数据难以覆盖真实流体复杂性，模型泛化能力有限，纯数据驱动可能违反物理定律，计算成本高（648×5次训练）。 改进方向：引入物理信息神经网络（PINNs）融入纳维-斯托克斯方程约束；采用迁移学习利用模拟与真实数据；探索神经算子（如FNO）处理非结构化网格；使用贝叶斯优化替代网格搜索提升效率。