行业专题

电力能源

电网、储能、新能源方向的物理 AI 资源。

共 21 个资源

数据集 1 个资源

TU Delft 垂直轴风机阵列尾流数据集

湍流尾流 / 实验测量与 CFD 验证
TU Delft 在开放喷流风洞(OJF)用体视粒子跟踪测速(PTV)测得的 3×3 九台 H 型垂直轴风机阵列三维尾流场,覆盖基准、正桨距与负桨距三种工况,是湍流尾流与 尾流控制研究的实测基准。
CC BY 4.0 湍流尾流钝体绕流

案例 8 个资源

物理信息 CNN 预测电池包温度场

热管理 / 物理信息机器学习
把有限差分热传导残差写进损失的物理信息 CNN,用于 21700 电池包液冷温度场代理。本文复核其假设、数据链路、结果口径与可复现边界。
新 arXiv 预印本(版权归作者) 热管理物理信息神经网络电池

建筑能耗模拟与代理模型:以 EnergyPlus 为例

建筑能源 / 仿真加速
以 EnergyPlus 官网、许可文件与 ORNL/UTK 的代理模型论文为主线,核对整楼能耗仿真引擎的能力边界、许可与工具链,并厘清代理模型可被引用的量化结论与失效范围。
新 EnergyPlus 自有许可(BSD 式三条款 + 名称使用条款 + DOE 政府权利保留) 建筑能耗EnergyPlus暖通空调

Cantera 反应流与化学动力学:把机理、热力学与输运接进物理 AI 工作流

燃烧 / 化学动力学
加州理工学院发起、NumFOCUS 支持的开源化学动力学套件,提供热力学、详细动力学、输运、零维反应器网络与一维反应流求解;内置 GRI-Mech 3.0 等 22 套机理,为燃烧、电化学与等离子体建模、代理模型训练提供可复现的物理真值。
新 BSD 3-Clause 风格(California Institute of Technology 2001–2009、Sandia Corporation 2009、Cantera Developers 2011–2026) Cantera化学动力学燃烧

FAIR Chemistry 与 UMA:跨域原子基础模型平台

材料与化学 / 原子级机器学习
Meta FAIR Chemistry 的集中式仓库,已从 OC20 电催化工具扩展为覆盖分子、材料、催化剂的统一平台;旗舰 UMA 以混合线性专家架构在 5 亿结构上训练,切换任务名即可服务 OC20 至 OC25 等七个体系。
新 仓库代码为 MIT(Meta, Inc.);fairchem-lammps 包在 PyPI 声明 GnuV2;UMA 权重按 gated model terms 单独授权;数据集另附各自条款 原子基础模型机器学习势电催化

油藏数值模拟的图神经代理:以 PhysicsNeMo X-MGN 为例

地球物理 / 油藏工程
以 NVIDIA PhysicsNeMo 的 reservoir_simulation/xmgn 示例与 X-MeshGraphNet 论文为主线,核对油藏代理的真实能力、数据格式、误差累积特征与数据可得性边界。
新 Apache-2.0(PhysicsNeMo 示例仓库);Norne 数据集遵循其自身许可条款 油藏模拟图神经网络MeshGraphNet

PyBaMM 电池多物理场建模框架:从表达式树到实验协议

储能电池 / 电化学仿真
以 PyBaMM 官方文档、源码与发布策略为主线,核对这套电池建模框架的模型谱系、求解器、参数集、版本策略与工程边界,并厘清它与数字孪生、机器学习结合的真实接口位置。
新 BSD-3-Clause 锂电池电化学模型DFN

WEC-Sim 波浪能转换器水动力仿真:把多体动力学与频域边界元接进物理 AI 工作流

海洋能 / 多体动力学
NREL 与 Sandia 主导的开源波浪能仿真框架,用 Simulink/Simscape Multibody 耦合频域边界元水动力系数、卷积积分、系泊与六自由度控制;为海洋能装置设计、控制验证与代理模型训练提供可复现的时域真值。
新 Apache-2.0(Sandia LLC 与 NTESS,2014,美国政府在合同 DE-NA0003525 下保留部分权利) 波浪能水动力多体仿真

风电场气动弹性仿真与尾流控制:从 OpenFAST 到强化学习的可核实链路

风电 / 多物理场仿真 / 尾流控制
以 OpenFAST 模块化气动弹性仿真、FAST.Farm 多机尾流模型、FLORIS 工程尾流模型与 IEA Wind 参考机型为主线,复核风电物理 AI 的可核实链路与失效边界,并逐条核对原条目的口径来源。
新 Apache-2.0(OpenFAST、FAST.Farm、FLORIS 与 IEA Wind Task 55 参考模型) 风电气动弹性尾流控制

学习 1 个资源

论文 11 个资源

APT:融合全局-局部注意力的自适应物理 Transformer

原创研究论文
ICML 2026 论文,地下能源系统的几何/网格/物理无关神经算子,用图编码器捕获高分辨率局部异质特征,全局注意力解析长程物理影响;2D 断层 CO2 存储饱和度误差降为原 SOTA 的 1/4,对 GEOS 模拟器实现 19,873× 加速,对 ECLIPSE 实现 6,800× 加速。
arXiv 预印本(版权归作者) 神经算子地下储能CO2 封存

支持Droop控制的电力系统基础模型潮流分析

Electromagnetics
提出针对GridFM电力系统基础模型的droop感知扩展,将斜率控制和死区参数嵌入节点特征,实现控制感知交流潮流分析。
见LICENSE文件 电力系统潮流分析基础模型

基于Transformer神经算子的复杂山地3D风场预测

流体/CFD
针对复杂山地地形的三维风场预测难题,提出基于Transformer的神经算子方法,突破传统CFD依赖专家密集网格生成和高成本迭代求解的瓶颈。
见LICENSE文件 神经算子风场预测Transformer

GridSFM:交流最优潮流求解基础模型

电网优化
基于物理信息图神经网络的交流最优潮流求解基础模型,在54种电网拓扑上预训练,可在10,000节点系统上实现2.45%零样本成本误差。
见LICENSE文件 交流最优潮流图神经网络电力系统优化