6163am银河线路应用物理与技术研究中心

高能量密度物理数值模拟教育部重点实验室

王柏森 副研究员（北京航空航天大学航空发动机研究院）

主持人：陈正 教授

时  间：2024年5月9日（周四）12:20

地  点：6163am银河线路1号楼210会议室

报告内容摘要：

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。

报告人简历：

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 Summacum 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。 

欢迎各位老师参加交流与讨论