报告题目：Nonlocal Physics Informed Machine Learning Algorithms Using Peridynamic Differential Operator（基于近场动力学微分算子的非局部物理信息机器学习算法）
报 告 人：Erdogan Madenci（美国亚利桑那大学The University of Arizona）
报告时间：2023年12月19日（周二），15:00-17:00
报告地点：河海大学江宁校区乐学楼（力材院）709会议室
邀请单位：河海大学力学与工程科学学院
近场动力学与非局部理论国际研究中心
江苏省重大基础设施协同创新中心
江苏省力学学会
报告内容：
近场动力学（Peridynamics，PD）和数据、物理双驱动的机器学习（data-driven and physics-informed mechine learning）是国际计算力学领域正在兴起的研究热点。偏微分方程是物理系统数学描述的基础，传统解法受限于测量噪声且难于将实际物理现象纳入物理模型，普通机器学习算法虽可用于求解上述问题，但难以获得与物理现象一致的预测结果。物理信息机器学习（PIML）可以将物理定律、领域知识与机器学习相结合，加强了对物理信息的理解，提供了更好的泛化性能。本报告将重点介绍物理信息机器学习（PIML）在求解偏微分方程（PDEs）正问题和反问题中的应用，主要包括：
1、对于数据量丰富的PIML模型，使用稀疏回归和近场动力学微分算子（PDDO）相结合的算法从测量数据中发现偏微分方程，并验证了算法的准确性。此外，还引入集成SINDy和PDDO的算法框架，进一步分析具有移动边界的物理问题。
2、对于物理信息和数据都较少的PIML模型，采用物理信息神经网络（PINN）进行分析。PINN是一种使用自动微分技术将场方程耦合到损失函数中的深度学习算法，现有PINN方法由于神经网络无法捕捉全局解的特征，难以求解梯度急剧变化问题，基于PDDO开发一种非局部物理信息神经网络（Nonlocal PINN）方法。
3、对于物理信息多而数据较少PIML模型，引入一种新的具有非局部作用的无监督卷积神经网络结构，以求解富含物理信息的偏微分方程。该网络结构利用PDDO滤波器计算场变量导数，通过具有卷积长短期存储器（ConvLSTM）层的编码器-解码器层捕获时间动态效应，基于神经网络输出和缩小的潜在空间中的控制方程考虑物理信息。
报告人简介：
Erdogan Madenci，美国亚利桑那大学航空机械系教授，1980、1981和1982年分别获得美国里海大学（Lehigh University）机械工程、工业工程双学士学位和应用力学硕士学位，1987年在加州大学洛杉矶分校（UCLA）获得工程力学博士学位。具有丰富的工业界和学术界经历，曾在诺斯罗普公司、航空航天公司和弗劳恩霍夫研究所工作，也曾在瑞典皇家理工学院、美国国家航空航天局兰利研究中心、桑迪亚国家实验室和麻省理工学院开展合作研究。主要研究领域为计算力学、航空机械复合材料与结构的力学性能测试与分析，近十几年在近场动力学领域做出突出贡献。目前担任美国机械工程学会ASME的Fellow、美国航空航天学会AIAA的Associate Fellow，Journal of Peridynamics and Nonlocal Modeling主编，ASME Journal of Engineering Materials and Technology副主编。出版专著5部，合作编著8部，在JMPS、IJSS、JCP、CMAME、IJNME、CS、IJF、JMMS等固体力学、计算力学、断裂力学、材料科学和工程科学著名期刊上发表论文250余篇，并多次在大型国际会议做邀请报告。主持美国国家科学基金会、空军科学研究局、国家航空航天局、海军航空系统司令部、圣地亚国家实验室、英国科学研究委员会、康宁、三星、雷神、波音公司等机构的60余项科研项目，其中与近场动力学相关的项目近20项，由其发起的“MURI Center for Material Failure Prediction through Peridynamics”项目获得美国国防部连续5年750万美元的资助。
