Artificial intelligence in fluid dynamics and thermal transport: A comprehensive review of methods, challenges, and emerging applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Artificial intelligence (AI) is a transformative tool in fluid dynamics and thermal transport, unlocking new possibilities for modeling, prediction, diagnostics, and system optimization. AI-driven approaches, ranging from deep learning and machine learning to physics-informed neural networks, are increasingly combined with traditional methods to address challenges that are difficult to solve using solely physics-based models. Notably, recent developments have demonstrated the potential of AI in reconstructing turbulent flows, enhancing heat transfer performance, and enabling real-time simulations across a wide range of thermal-fluid systems. This includes complex configurations, such as multiphase flows and compact heat exchangers, where conventional modeling techniques often have limitations due to nonlinear interactions, multiscale behaviors, and geometric complexities. This review provides a structured synthesis of current advances for AI thermal-fluid sciences. Contributions are categorized by flow regimes, such as laminar, turbulent, and multiphase, and transport phenomena, including conduction, convection, radiation, and phase change. Key technical challenges, such as the scarcity of high-fidelity datasets, robust generalization across varying flow and boundary conditions, and integration of physical laws into data-driven frameworks are considered. Finally, emerging research directions with strong potential to accelerate innovation in the field, including AI-assisted turbulence modeling, flow reconstruction from sparse measurements, data-driven design of high-efficiency heat exchangers, and intelligent control of multiphase and reactive flow systems are presented.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle