报告人：王柏森 副研究员（北京航空航天大学航空发动机研究院）

报告内容：

数值仿真在未来先进航空发动机燃烧室设计、性能预测与调控中将扮演重要角色，经典数值求解方法 在高维问题、正反问题统一快速求解、物理场反演、多保真度数据融合等方面存在很大的模型构建挑战。 机器学习方法更擅长学习端到端的非线性映射并进行快速预测，但其对大样本精确训练数据的高度依赖性 令其在发动机燃烧室应用过程中存在质疑。近年来初步发展的物理信息神经网络(Physics-informed Neural Networks, PINNs)呈现出了集二者之长，补二者之短的优势。PINNs利用微分方程的约束来正则化网络的训 练，从而使其学习到方程描述的物理信息。本次报告将汇报本团队近期发展的针对燃烧系统非线性偏微分 方程(PDEs)和强刚性常微分方程组(ODEs)的PINNs求解方案，以期实现低数据依赖、低误差、低成本的微分 方程求解，并将其向燃烧多物理场翻译、重构和降噪方向应用。 

报告人简介：

王柏森，北京航空航天大学航空发动机研究院副研究员、博士生导师。曾获德国杰出博士论文 Summa cum laude，担任《推进技术》青年编委、第三届数字孪生国际会议能源与推进分会场主席。目前主要研究 方向为面向航空发动机燃烧室的仿真与数字化工程、氢-煤油双燃料燃烧、湍流燃烧模型。负责国家级专项 研究专题、重点实验室基金、北航前沿交叉基金、中国航发与中国重燃重点型号合作项目，在Combustion Flame、Proceedings of the Combustion Institute、Physics of Fluids、Energy & Fuels、Flow，Turbulence and Combustion等期刊发表学术论文10余篇。  

主持人：陈正 教授（北京大学应用物理与技术研究中心）

时  间：2024年5月9日（周四）12:00

地  点：北京大学工学院1号楼210会议室