近些年来物理神经网络(PINN)在计算流体动力学模拟中的应用引起了广泛关注。在传统PINN的模拟中，配置点的布置需要考虑固体边界的位置，不利于处理复杂固体边界问题。本文提出了一种结合直接力浸入边界(IB)方法的新型PINN方法。在提出的IB-PINN中，消除了布置配置点时的边界一致性要求。同时，在损失函数中加入标记点处的速度惩罚损失，以满足流固界面处的无滑移条件。此外，在损失函数中还加入了部分配置点处的力惩罚损失，以保证体积力的紧致分布。

    首先，通过对在槽道中圆柱的层流流动模拟，证明了IB-PINN在求解不可压缩Navier-Stokes方程中的有效性。将采用IB-PINN方法得到的解与传统基于网格的IB方法和基于贴体网格的有限体积方法得到的参考解进行了比较。结果表明，这三种方法得到的结果是非常一致的。此外，我们还研究了深度神经网络（DNN）结构、Adam训练次数、总损失不同部分的权重、配置点和标记点的个数、体积力紧致约束条件、配置点取样方式、方程形式和输入变量形式对IB-PINN性能的影响。

    其次，利用迁移学习，对不同雷诺数下，不同形状的固体绕流问题进行了研究。针对不同雷诺数的流动进行了迁移学习，以求解雷诺数40的流动时训练得到的DNN作为基准DNN，分别对雷诺数为10、20、30的工况进行迁移学习，发现与雷诺数40越近，迁移学习的效果越好。同时讨论了取点间距 h=0.05 情况下的计算准确度以及计算所需时间，发现在保证可接受准确度的前提下能够大大减少计算时间。针对不同固体形状绕流的迁移学习中，首先对浸入形状曲线进行建模，先在一定范围内生成随机控制点，在相邻控制点间生成贝塞尔曲线，进而组合形成固体边界的形状曲线，并以圆柱绕流算例训练得到的DNN为基准DNN，对生成的不同固体边界绕流问题进行迁移学习。训练结果表明，IB-PINN有着较好的迁移学习性能，使得DNN再训练的收敛过程加速，在相近形状下迁移学习较原始学习能够加速80%左右。