主讲人：胡力卫

时间：2024年11月28日14:00-14:40

地点：讲堂群103

主讲人简介：

胡力卫，男，博士，讲师，哥本哈根大学访问学者，现就职于河北科技大学信息科学与工程学院。研究方向为几何深度学习，在高超声速飞行器气动性能评估和几何外形优化领域形成了代表性研究成果，包括面向飞行数据建模的生成式对抗网络、适用于飞行状态特征与气动外形特征联合学习的多任务建模方法、面向飞行器几何外形的流形构建和黎曼几何特征计算方法以及引入黎曼几何特征的深度学习方法等。近五年，先后参与了多项国家数值风洞工程、国家自然科学基金原创探索计划、中央高校等纵向科研课题。先后在IEEE Transactions on Aerospace and Electronic Systems（TAES）、Applied Soft Computing（ASOC）、航空学报和通信学报等期刊上发表高水平学术论文6篇，获得授权发明专利4项。

内容摘要：

人工智能方法在空气动力学领域的建模及应用是近几年一个热点。本研究在多项国家数值风洞工程、国家自然科学基金原创探索计划和中央高校计划等支持下，先后开展了三个主要研究。一是针对飞行状态参数的有限性造成深度学习模型难以收敛的问题，本研究提出生成式对抗网络（Generative Adversarial Net，GAN）判别器最佳逼近定理，证明当采用GAN处理由于样本的有限性而产生的稀疏数据时，判别器的最优形式为径向基神经网络（Radial Basis Function Neural Network， RBFNN），该研究可大幅降低建模的均方误差（Mean Square Error，MSE）。二是针对现有无差别建模方法难以反映数据模式差异性问题，本文提出数据模式差异性自适应建模的多任务学习（Multi-task Learning，MTL）模型，自动识别气动数据的不同模式，显著克服现有神经网络模型预测少量模式数据时存在的偏差。三是针对欧氏空间下的描述方法难以反映飞行器复杂外形特征问题，本研究开创性地将飞行器外形置于黎曼空间，结合二中的数据模式差异性学习机制，以具有明确数学含义的流形特征（黎曼度量、黎曼联络和曲率）为气动布局特征，开展与飞行状态特征的联合建模。实验结果表明，重构翼型的MSE下降了41.30%；阻力系数(Coefficient of Drag，CD)预测MSE下降54.56%；机翼表面压力系数（Coefficient of Pressure，CP）预测MSE下降15.00%。最后，本研究对上述研究成果进行总结，并对该领域内未来的研究趋势进行展望。