主讲人：陈岳剑，教授，博导

报告时间：2024年12月9日（周一）下午4：00

报告地点：西苑校区南九音乐厅

主办单位：科技处、车辆与交通工程学院

摘要：深度学习相比经典机器学习具有更强的学习能力，尤其是在数据量增大的情况下。然而，纯数据驱动的机器学习模型有时可能无法遵循物理定律，且缺乏决策透明性和可解释性。

物理知识驱动的机器学习（Physics-Informed Machine Learning，PIML）通过将物理知识和约束集成到机器学习过程中，解决了这些问题。该方法结合了领域特定的物理洞察和先进的机器学习技术，提升了模型的性能，并确保预测结果与已知的物理原理保持一致。在本次报告中，我们将探讨物理知识驱动的机器学习领域的若干贡献，包括：

物理知识驱动的超参数选择：通过引入物理约束来增强模型参数调优的方法。

显式速度集成的循环神经网络（RNN）：通过将转速决定振动特性这一物理定律融入到RNN结构设计的方式，改善RNN的准确性和稳定性。

物理知识驱动的残差建模：通过纠正机器学习预测与物理模型之间的偏差，确保更可靠的回归输出。

我们还将讨论这些技术在旋转机械和铁路车辆中的应用，展示如何通过融合物理知识来增强这些领域的预测能力。

陈岳剑，同济大学特聘研究员、博士生导师、上海市领军人才。2015年获得南京理工大学机械电子工程专业硕士学位，2020年获得加拿大阿尔伯塔大学^QS-92机械工程专业博士学位，师从加拿大工程院院士左明健教授，而后在该校任职博士后至2021年，2021年11月入选上海市领军人才计划，同年入职同济大学铁道与城市轨道交通研究院，任特聘研究员。陈岳剑的研究方向包括：状态监测、智能运维、设计优化等。陈岳剑已先后主持了国家自然科学基金、上海市人才项目、国重实验室开放课题、企业委托项目等，累积经费200余万元；参与了国家自然科学基金面上项目，加拿大的自然科学基金Discovery Grant、重点研发、Mitacs校企合作、Mitacs国际交流项目，累积经费1500余万元。在IEEE Trans Ind Informat、Mech Syst Signal Pr、J Sound Vib等国际高水平期刊发表学术论文40余篇，其中一作/通讯25篇，担任IEEE Sens J、Int J Progn Health M、Mechat Sys Ctrl J期刊编委，Mech Syst Signal Pr、Reliab Eng Syst Safe等7个国际高水平期刊的客座编辑，JDMD、城市轨道交通研究期刊青年编委，获授权中国发明专利12项，内容涉及故障诊断、信号处理、机械测试、优化设计等交叉学科领域。另外，陈博士还获得过阿尔伯塔未来科技创新奖、加拿大旋转机械年会最佳论文奖、国际预测与健康管理数据分析竞赛奖等科研奖励。

欢迎广大师生踊跃参加！