课题简介
随着现代工程系统的复杂性和规模不断提升，各类运行、实验及仿真产生的数据量呈现快速增长的趋势。如何高效挖掘这些海量数据中的潜在规律，并将其转化为可用于工程分析与设计的高保真、快速响应模型，已成为工程研究与应用的核心挑战。与此同时，AI技术的迅速发展，使得深度神经网络在自动特征提取与非线性建模方面展现出卓越能力，因此将深度学习方法与传统工程建模相结合，成为构建高效、智能工程模型的重要途径。本课程旨在培养学生掌握先进的数据驱动建模技术，并能够将其应用于流体力学、传热学、结构力学等学科的工程问题中。
课程涵盖从模型降阶、特征提取、机器学习到深度神经网络在数据驱动建模中的应用。通过课程学习，学生将掌握如何利用数值仿真（如CFD、FEM或多物理场耦合仿真）获取高保真数据，并基于这些数据构建高效的快速响应模型，从而实现物理场快速预测、产品性能优化、实验设计、故障预测与系统控制等工程任务。完成本课程后，学生不仅能掌握前沿数据驱动建模方法，还将具备在多学科工程问题中灵活应用这些方法的能力，为未来科研与工业实践奠定坚实基础。
导师介绍
【学历/工作】
海外博后工作中，博士毕业于欧洲顶尖理工院校，研究方向聚焦于流动传热的数值模拟和实验设计，广泛应用于大型能源系统的安全风险评估与事故管理等领域。近年来积极探索数据驱动建模与热能工程中的交叉融合。
【科研论文/审稿人】
在IJHMT (International Journal of Heat and Mass Transfer), IJMF ( International Journal of Multiphase Flow), ATE (Applied Thermal Engineering) 等国际期刊发表 SCI 论文 10+ 篇（其中一作 10 篇）
担任 ICHMT (International Communications in Heat and Mass Transfer) 和多个国际会议审稿人
多次获得会议最佳论文奖
【指导经验】
指导多位硕博研究生开展基于数据驱动建模+工程应用的研究，已产出多篇国际会议论文；
擅长跨学科学生的科研能力培养与成长路径规划，提供定制化辅导方案。
可选创新点
1、利用POD或自编码器（AutoEncoder）结合神经网络方法，对大规模工程数据进行降维与压缩，从而构建高效的快速响应模型，用于物理场预测、产品性能优化、可靠性评估、实时控制 SCI 2-4
2、通过贝叶斯优化算法与数值仿真工具相结合，能够系统地探索工程系统或设备的临界工况，例如识别失稳边界或功能失效条件 SCI 2-4
3、借助敏感性分析构建高质量数据集，并结合数据驱动建模技术设计实验测量系统，例如优化传感器布置，以提升实验数据的有效性与信息量 SCI 2-4
4、通过特征工程方法（如Shapley value），可增强所构建数据驱动模型的可解释性，为工程决策提供科学依据 SCI 2-4
课程亮点
1. 可学习的知识点
（1）数据驱动建模的核心方法，包括：降维技术（POD/AutoEncoder）、特征工程及可解释性分析，贝叶斯优化, 常见的机器学习和深度学习架构。
（2）数值实验设计，数据获取，数据后处理，模型搭建，性能评估。
（3）数据驱动建模在工程中的应用案例。
（4）科研论文写作与指导。
2. 课程提供
（1）理论知识介绍
（2）代码实践, 代码以Matlab为主，部分模块有Python版本。
（3）定期讨论与问题答疑，结合工程案例分析，帮助学生巩固理论并解决实践问题。
3. 研究特色
（1）强调数据驱动建模方法与工程实践的结合，将数值仿真、机器学习与工程应用深度融合。
（2）跨学科交叉研究，覆盖流体力学、传热学、结构力学及多物理场耦合问题。
（3）注重学生独立科研能力培养，支持自主选题与项目开发，锻炼从数据获取到模型应用的完整研究流程。
4. 指导风格
（1）采用启发式教学方法，鼓励学生自主探索问题并提出创新解决方案。
（2）定期组织小组研讨，及时分析并解决研究中遇到的技术难题。
（3）重视学术写作与表达能力培养，指导学生完成高质量论文与报告。