多尺度动力学系统求解
在多尺度反应动力学研究方面，团队提出了 DeePODE 框架（Yao et al., CPC 2025），将深度神经网络与进化蒙特卡洛采样（EMCS）耦合，可高效求解高维、强刚性动力系统。与传统隐式积分方法相比，DeePODE 在保持高精度的同时具备显著加速效果，并成功用于天体物理核反应流建模（Zhang et al., ApJ 2025），在多个核反应网络中实现约 2.6 倍的 CPU 加速。团队进一步提出了 ANN-hard 方法（Wang et al., C&F 2025），通过严格施加质量、能量和元素守恒，提高神经网络替代模型的物理一致性，避免在自点火等长程模拟中出现累积误差。早期的多尺度采样方法（Zhang et al., C&F 2022）也为复杂燃烧反应动力学的深度学习建模奠定了重要的方法基础。
反应动力学模型的构建与优化
在化学动力学模型构建与高维参数优化方面，团队发展了 DeePMR（Wang et al., C&F 2024）和 DeePMO（Lin et al., AECS 2025）两套框架。DeePMR 将化学机理简化视为组合搜索问题，通过迭代采样与遗传算法生成比 DRG/PFA 更紧凑的简化机理，实现数量级级别的加速；DeePMO 面向高维参数空间，构建从动力学参数到燃烧特征量（如点火延迟、层流火焰速度）的深度映射，可用于 HyChem 模型的系统优化。在航空燃料 RP-3 的研究中（Song et al., C&F 2025），上述工具均展现出优异性能，并在模型构建与校正中发挥了重要作用。
大模型驱动的智能体设计与开发
在 CFD 工程自动化方面，团队提出了 ChatCFD 系统（Fan et al., Advanced Intelligent Discovery 2025），这是面向 OpenFOAM 的大语言模型驱动多智能体自动化平台，可覆盖几何建模、网格生成、求解器配置、计算执行与后处理的全流程。在 315 个测试算例中，ChatCFD 实现了 82.1% 的端到端成功率，并首次提出了用于衡量模拟科学可信度的“物理保真度”指标（68.12%）。系统在求解器选择、湍流模型切换和错误定位方面均表现出稳健能力，并可通过 Model Context Protocol（MCP）与其他智能体协同，形成从自然语言到完整 CFD 工作流的自动化链路。该工作也首次实现了从CFD论文到CFD仿真复现的自动化流程。
卫星系统智能故障诊断
在推进系统智能诊断方向，团队基于 189 组 ADN 推进系统的真实地面试验数据，构建了适用于复杂时间序列的异常检测模型（Sheng et al., Advances in Astronautics 2025）。通过系统的特征工程与算法比较，多种机器学习模型均取得了 98% 以上的准确率，并识别出喷射压力和毛细管出口温度等关键诊断特征，为新一代绿色低毒推进剂发动机的健康监测提供了重要依据。
在火焰动力学方面，团队对冷火焰、双火焰结构与传播规律开展了系统研究。在激波管高温实验条件下，通过实验与二维/三维高分辨率数值模拟，我们研究了冷火焰和双火焰的形成与演化（Zhang & Ju, C&F 2020；Zhang et al., PCI 2021；Zhang et al., PCI 2023），揭示了低温点火 Damköhler 数对传播模式的重要影响。模拟捕捉到了环形火焰核、涡结构等典型二维特征，并提出了冷火焰速度提取的关键方法。利用 AMR 与动态负载平衡技术，团队还研究了重力环境下球形冷火焰的传播特性（Wang et al., C&F 2024）。
在激波–火焰相互作用（SFI）研究中，团队分析了不同激波强度下冷火焰的演化路径（Fan et al., C&F 2025）。弱激波下冷火焰得以保持，中等激波可形成“冷–温共存火焰”，强激波则加速冷火焰向热火焰的转变，模拟中首次捕捉到冷、温、热三种火焰同时存在的瞬态结构。
团队还利用人工神经网络研究 MILD 燃烧中激发态、振荡态和稳定态的判别（Wang et al., CES 2024），为复杂燃烧动力学的快速评估提供了有效工具。氢气体系则作为数值方法验证平台，用于检验多维火焰结构与动力学（Xie et al., Fuel 2024）。
在爆震建模方面，团队研究了浓度梯度和温度梯度对点火波传播与爆震形成的影响（Zhang, Sun & Ju, PCI 2017）。针对正庚烷/空气体系的数值模拟表明，可根据梯度规模观察到自发点火、爆震–自发点火转变和完全发展爆震三类典型模式。在低温化学和湍流输运共同作用的 DME/空气体系中，团队进一步揭示了低温反应路径对高性能发动机中“超级爆震”形成的影响（Zhang et al., C&F 2019）。
