报告时间：2023年7月14日  下午15:00

报告地点：科技楼521会议室

报告嘉宾：王宇 (Yu Wang), 香港城市大学 (City University of Hong Kong)教授

联系人：沈水龙

报告题目：基于数据和物理双驱动的岩土工程机器学习：岩土原理与稀疏地勘数据和时空监测数据的融合

嘉宾介绍：

   王宇教授主要从事岩土工程可靠度、数据分析和机器学习领域研究，开发一系列机器学习方法，解决了稀疏岩土数据的科学分析、时空数据的表征模拟、自动地质建模等长期困扰岩土工程数字化、智能化的多个关键难题。入选美国土木工程师学会会士(Fellow ASCE) 和2022年中国学者领军人物榜(土木工程，地质资源与地质工程)。自2019年起，连续多年入选美国斯坦福大学全球顶尖2%高影响科学家榜（岩土相关领域）。发表SCI论文150余篇，获省部级自然科学奖一等奖2项、ASCE-ASME期刊最佳论文奖、国际期刊Engineering Geology高被引论文奖、及国际学会青年科学家奖等。曾任美国土木工程师学会香港分会主席，现任多个与岩土工程或工程风险相关的国际期刊编委会委员，并获多个国际期刊颁发最佳审稿人奖或最佳编委奖。

报告摘要：

   岩土工程数字孪生模型是岩土实体对象（如填海或地基处理工程等）的虚拟表征，其关键在于如何不断学习真实观测数据（如场地勘察数据、监测数据等）并持续提高模型的预测能力（如固结沉降预测等）。然而，实际工程的观测数据通常是稀疏（如场地勘察数据），而且随时空变化（如沉降监测数据）。勘察数据的稀疏性与监测数据的时空变化是阻碍岩土工程数字孪生技术发展的难点之一，对岩土数据的有效学习以及模型预测能力的不断提升产生挑战。本报告提出以数据驱动为核心、以物理模型为导向，融合稀疏勘察数据与时空监测数据的贝叶斯机器学习方法。所提方法以系统、自动的方式，根据稀疏勘察数据剖分地质剖面、建立岩土参数模型，执行岩土工程分析，并融合有限且时空变化监测数据以提高模型预测。以土耳其某地基处理工程为例，所提方法以稀疏勘察数据、岩土原理知识以及有限监测数据为输入，以固结沉降时空预测及其不确定性量化为输出，验证了机器学习方法的合理性与有效性，为岩土工程数字孪生技术的发展提供新思路。

   欢迎感兴趣的师生参加。

工学院

2023年7月13日