研究内容1：机器学习辅助介尺度气固两相流模型建模，构建曳力、固相应力的高精度机器学习模型，相关论文发表在AIChE J., Chem. Eng. Sci.等化工三大刊上。本工作采用具有“大数据”能力的机器学习算法处理高分辨流场模拟中产生的细网格数据，归纳出粗网格适用的介尺度模型，提高了预测精度。（AIChE J. 2021, 67(7): e17290; Chem. Eng. Sci. 2022, 248: 117268.）

•      研究内容2：大数据方法分析微尺度和介尺度曳力模型构成，数据驱动角度定量解析各标记对曳力的贡献度，相关论文发表在AIChE J., Particuology等化工高水平期刊上。本工作应用机器学习的数据驱动分析能力，研究了微尺度、介尺度曳力模型构成，发现了微尺度曳力系数的滑移速度无关性。（AIChE J. 2023, 69(9): e18170; Particuology. 2023, 80: 42-52.）

•      研究内容3：机器学习加速数值模拟运算，构建了全周期、全流域适用的机器学习加速方法。此外，本工作还构建了软件间的数据交换器，实现了机器学习模型与数值模拟软件的动态耦合，没有额外硬件负担。（Powder Technol. 2022, 408: 117701.）