对象：气固两相流+数值模拟
方法：RCNN=RNN+CNN
目标：学习颗粒流的时间和空间不均匀性并预测颗粒动态
关注特征：关注颗粒不均匀性对颗粒动力学的独特影响，旨在提出一种基于机器学习的方法来建模颗粒不均匀性和颗粒动力学之间的映射
结果： R-CNN模型的预测精度用1-9个时间步长（即1-9 ms ）的各种序列长度进行了测试，如图11 （b）所示，这表明总体趋势是，模型随着输入序列长度的增加先增大后减小；
2-10个时间步长（即2-10 ms ）的各种预测跨度的R-CNN模型测试结果
粒子模式分辨率足够小，则像素读取的局部特征往往会超过模型有效学习可容忍复杂度的上限，从而导致对欠拟合现象的预测性能较差。
标签：via,particle,solid,模型,dynamic,步长,颗粒,CNN From： https://www.cnblogs.com/darunfa-and-20-years-fish/p/18158456