报告题目：基于数据融合与机器学习的湍流模拟方法
(Data-Driven, Physics-Informed Approach for Predictive Turbulence Modeling: From Data Assimilation to Machine Learning)
报告人：肖恒 博士
报告时间：2018年6月26日(周二)上午9:30-10:30
地点：威廉希尔院楼531
欢迎广大师生参加！
主讲人简介：肖恒于2003年毕业于浙江大学土木系，2005年获瑞典皇家理工学院科学计算方向硕士，2009年获普林斯顿大学博士，2009年至2012年在苏黎世联邦理工学院流体力学研究所从事博士后研究，2013年加入弗吉尼亚理工大学任助理教授。他目前的主要研究方向是结合传统物理模型与现代数据科学的建模方法和数据驱动的湍流模拟。其他研究领域包括离散元方法，泥沙输运，海洋可再生能源等。
报告摘要：
工程与科学中有很多多尺度的复杂物理系统，比如湍流，基于第一原理的模拟往往计算量过大，因此实际中常需要使用简化模型,而这些简化不可避免地引入模型误差，从而导致预测的不确定性。量化和减小这类不确定性在工程决策中至关重要。湍流就是这样一个典型的系统。在系统有实时监测数据的情况下，我们使用数据融合方法来推断并修正湍流模型误差。在仅有类似系统中的离线数据的情况下，我们使用机器学习的方法减小湍流模型误差。
