碳化硅纤维增强金属基复合材料航空发动机构件及其单胞模型
沈泳星课题组的主要研究方向是计算断裂力学,近年来在断裂相场模型、水力压裂数值模拟、薄壳体断裂、连续结点匹配法、映射有限元、不连续Galerkin方法以及计算介观传热学等方面均作出了贡献。断裂相场模型由于其数学基础严格、预测能力强,特别适用于对材料和部件断裂行为的预测,因此是国际断裂力学界研究的热点分支之一。
相场模型(左)及其在薄壳体裂纹扩展数值模拟中的应用(右)
新一代高推重比航空发动机需要轻质、高强度材料的支撑。碳化硅纤维增强金属基复合材料由于其优秀的力学性能,成为了下一代航空发动机重要的结构材料,在多个部件如低压涡轮轴和叶环等中有着重要的应用。由于涉及的组分和机理较多,针对复合材料在静态和疲劳加载下的断裂行为的研究,目前还鲜有能对各种失效模式包括界面脱粘、纤维断裂和界面失效等机理进行统一分析,从预测裂纹起裂一直到扩展、分叉等全过程的模型。沈泳星的项目拟把断裂相场模型推广到纤维增强金属基复合材料的断裂研究,充分利用相场模型不需要额外输入断裂准则的优点,开发出有较强预测能力的数值模拟方法,建立能描述金属基复合材料断裂行为的模型。具体研究内容包括金属基复合材料在准静态和动态加载下基体失效、纤维断裂和界面脱粘的竞争,以及涂层在金属基复合材料断裂中的作用。
强化学习框架(左)以及强化学习最近成果(右)
Paul Weng课题组的主要研究方向是复杂决策模型研究以及决策支持系统和智能无人系统的算法设计,其融合了人工智能、机器学习以及运筹学等交叉学科的方法。目前,他的课题组着重研究(深度)强化学习,这是一类机器学习技术,可用于解决自适应控制和序列决策问题。这项技术近年来在学习电子游戏和围棋游戏中都取得了不俗的表现,例如Alpha go(阿尔法围棋)。此外,强化学习还可以被应用于许多其他领域,例如他的课题组正在研究的机器人技术和推荐系统。
潜在应用:自适应交通信号灯控制(左)以及数据中心控制(右)
随着计算机网络的发展,以及智能家居和智慧城市等新兴概念的提出,智能无人系统正逐渐应用于真实环境中。尽管这类系统的应用已经对许多用户产生了影响,然而它们在设计的时候往往缺乏公平性的考量,这将导致智能无人系统会做出对部分用户不公平的决策。为了解决公平性问题,本项目将对不确定性环境中通过福利函数,进行序列决策进行深度的理论研究。本项目的难点在于,非线性目标函数往往会改变最优策略的性质,从而难以直接应用标准方法。具体来说,本项目主要研究如何利用福利函数的性质(凹凸性、可加可分性等)来设计高效(近似)方法,从而找到公平策略。本项目的最终目标是通过使用深度神经网络等函数逼近方法,解决大规模公平性问题。
背景介绍
沈泳星,2003年获得清华大学本科学位,2006年和2008年分别获得美国斯坦福大学硕士和博士学位。获得博士学位后留在斯坦福大学从事博士后研究工作。2011年到西班牙巴塞罗那加入加泰罗尼亚理工大学任讲师、博士生导师。2014年回国加入上海交通大学密西根学院,次年入选第11批千人计划青年组。主要从事计算断裂力学研究。以第一或通讯作者在计算力学顶级期刊International Journal for Numerical Methods in Engineering及Computer Methods in Applied Mechanics and Engineering发表文章9篇,另有一篇发表在Theoretical and Applied Fracture Mechanics上的论文入选Web of Science“高被引论文”。
Paul Weng, 2003年获法国皮埃尔和玛丽居里大学(UPMC) 硕士学位、2006年获法国皮埃尔和玛丽居里大学博士学位。博士毕业后,在巴黎索邦大学(原UPMC)担任计算机科学副教授。2015年至2017年受聘于中山大学-卡内基梅隆大学联合工程学院,并于2015年在卡内基梅隆大学(CMU)担任访问学者。在2003年前,他毕业于ENSAI(法国国家统计与信息分析学院),并在伦敦担任金融定量分析师。他的主要研究工作是人工智能和机器学习,侧重于自适应控制(强化学习,马尔可夫决策过程)和多目标优化(妥协规划,公平优化)。