由《力学学报》编委会与编辑部共同主办的《力学者说》系列学术论坛第2期，于2021年11月20日顺利举办。本期论坛由《力学学报》副主编姜宗林研究员主持，并邀请《力学学报》第10期《机器学习在力学模拟与控制中的应用》专题的客座主编、南方科技大学工学院王建春副教授做学术报告。学术论坛线上线下同步进行，同时在腾讯会议、蔻享学术、仿真秀app三方平台直播，吸引海内外的学者近三千人在线观看。

姜宗林副主编首先对参与本次学术论坛的所有专家学者表示热烈欢迎，并祝贺《力学者说》第1期取得完满成功。之后他做了题为《开放+争鸣，<力学学报>打造学术交流新平台》的开场报告。姜宗林副主编指出，《力学学报》本着百花齐放，百家争鸣的理念，创办<力学者说>这样一个开放与争鸣的学术交流新平台。他回顾说《力学学报》源远流长，志存高远，特别强调了钱学森主编制定的《力学学报》的四大办刊目标：关注学科前沿、推动学科发展、培养力学人才与服务国家重大需求。同时强调办刊宗旨就是要坚持《力学学报》的创新性和综合性，介绍了“紧扣学科发展、促进学科繁荣”的办刊特色和系列重要举措。《力学学报》第10期机器学习专题文章，也成为了《力学者说》系列学术论坛第2期报告主题。期望《力学者说》能够真正成为一个学术沟通的新桥梁，助力于青年力学人才的育成。

王建春副教授做了题为《基于机器学习的湍流模型研究进展》的学术报告。报告的第一部分介绍了湍流的研究背景。湍流是一种广泛存在于自然界中的复杂流动现象，与航空、航天、大气、海洋、能源、环境等各个领域密切相关。大部分传统的湍流模型使用了较为简单的函数表达式。由于湍流的脉动具有不规则性和多尺度性，传统模型的相对误差较大。机器学习方法能够有效地寻找高度非线性、高维度的映射关系，为湍流模型的研究提供了新的思路。报告的第二部分介绍了基于机器学习的雷诺平均模型，包括基张量模型、优化系数模型、雷诺应力偏差模型等早期几类代表性的模型，以及他们课题组最近提出的基于几何约束方法的局部人工神经网络模型。由于经过坐标变换后的湍流场具有更好的普适性，新模型能更精确地预测湍流场的雷诺应力和平均速度。报告的第三部分主要讨论了课题组及合作者近几年发展的基于机器学习的大涡模拟模型，包括隐式模型、半显式代数模型、反卷积模型三大类，以及基于神经网络的能流约束模型。在先验验证中，基于机器学习的大涡模拟模型的相关系数超过了0.99，在精度上远远高于以前的传统模型。在后验验证中，新模型能更精确地预测能谱、涡量和速度散度的概率分布与空间结构、平均速度、表面摩擦系数等各类统计量和流动结构。在计算效率上，新模型和常用的传统模型类似。报告的第四部分探讨了基于机器学习的湍流快速模拟方法，重点介绍了如何用注意力机制改进傅里叶神经算子。改进后的新模型保持了原来的傅里叶神经算子的计算效率，同时将误差降低了40%，能够更精确地预测湍流的小尺度结构。报告的第五部分做了简要的小结和展望。但是，机器学习方法在复杂条件下的高雷诺数湍流预测问题中也面临了很多挑战。报告还讨论了如何将机器学习方法和传统方法相结合、实现优势互补。

报告后，线上答疑交流十分活跃。王建春副教授与学者们针对报告中的内容进行了规范和深入的探讨，体现了一种开放和争鸣的风格，整个问答环节长达40分钟。有一位海外学者非常感概地反馈说“这种开放做报告的方式很好，除了听报告，还可以听到很多人问问题，今天听了一堆问题，很有收获”。大家纷纷反映这种开放和争鸣的学术氛围更充满活力。