水动力学问题广泛存在于近海及海洋工程中，是影响人民生命财产和生产设施安全的重要因素之一。然而实际工程海况的复杂性与多变性给相关水动力学问题的研究带来了极大的困难。目前，主要的研究方法有理论分析、模型实验以及数值模拟等，其中理论分析往往具有较多的简化和假定，一般难以求解复杂的水动力学问题；模型实验会受到设备与经济成本的限制；数值模拟则往往具有计算量大的缺点。随着深度学习技术的进步，水动力学问题迎来了新的求解理念。深度学习方法通过建立数据之间的映射关系而不求解数学物理方程，实现对复杂水动力学问题的快速求解，可有效弥补现有研究方法的不足。
　　本文基于深度学习的理念，搭建适用于求解水动力学问题的卷积神经网络预测模型，具体方式为采用基于CFD(Computational Fluid Dynamics)方法生成的数据集对预测模型进行训练，使其学习流体的运动规律，实现相应水动力学问题的快速预测求解。针对不同类型的水动力学问题，本文构建了两种卷积神经网络模型，可分别用于水动力学特征参数和流场形态的预测。本文求解的问题及相关工作如下：
　　(1)顶盖驱动方腔流问题。通过对CFD模型设置不同尺寸或位置的结构物及不同的驱动流速，生成数据集并训练相应的预测模型，以此开展方腔流中垂线流速、测点信息历时变化以及流场形态分布等特征的预测工作。模型预测结果与CFD参考结果基本一致，验证了卷积神经网络模型在流体基本运动规律预测方面的能力。
　　(2)翼型体绕流问题。基于CFD模型对已知翼型体的绕流问题进行模拟，生成相应的数据集，并建立可描述翼型体形态特点和相应水动力学特征数据关系的预测模型，对未知型号翼型体纵断面水平流速及流场形态进行预测。模型预测结果与CFD参考结果基本一致，表明卷积神经网络模型对具有复杂形状的工程结构物特征具有较好的识别能力，预测误差主要集中于复杂流固边界附近的数值突变位置。
　　(3)涵洞式防波堤波浪透射问题。模型通过数据集训练的方式，学习不同波浪要素及防波堤开孔条件下的水动力特征，从而对新工况条件下的波浪透射系数、涵洞流量以及波面形态历时变化等结果进行预测，并将预测结果与CFD参考结果及实验结果进行对比。结果表明，卷积神经网络模型可对涵洞式防波堤的波浪透射系数等水动力学特征进行较为准确的预测。
　　本文研究表明，经过训练的卷积神经网络模型具有较高的计算效率和准确性，可对水动力学问题进行实时预测求解，在近海工程应用中可替代传统的理论或经验公式，为结构设计和优化等问题提供新的求解理念。