我们的研究
从多尺度模型到飞行就绪结构：高保真建模与控制
我们融合了激光雷达辅助几何捕捉、有限元模拟和人工智能驱动的优化，以预测、设计和主动控制动态、热和疲劳载荷下的复杂土木和航空航天结构。
我们工作的主题
多物理场有限元建模
非线性瞬态 FE 模型将振动、热弹性和疲劳结合起来，以预测桥梁和无人机机身的终生行为。
人工智能辅助优化
替代模型（克里金法、RSM）和梯度搜索仅花费通常 CPU 预算的一小部分，就能实现更轻、更坚固、更耐损伤的设计。
NDT信息模型更新
现场振动和红外无损检测数据通过数字孪生形成闭环，减少了参数不确定性并实现了条件感知控制规律。
探索我们的一些最新项目：
特色项目
多层次优化整合 VTOL 无人机的新概念设计
作为固定翼无人机（FW）和垂直起降无人机（VTOL）的结合体，混合动力无人机因其多用途性而受到越来越多的关注。
本文借助 CFD 试验方法和 RSM（响应面方法）进 行优化，提出了一种与无人机机身融为一体的新型鸭翼概念。它将传统的三角翼与小翼和鸭翼配置相结合。根据设计的要求和限制，对升力进行了优化，并将其分别分配给主翼（90%~95%）和前翼（5%~10%）。采用 RSM 开发了多层次优化方法进行优化。在第一个层次上，我们对三角翼进行优化，然后在第二个层次上对上一步的鸭翼最终设计进行评估。与最初的设计相比，这一概念在巡航模型中提供了足够的升力和较小的阻力。此外，前部鸭翼的控制面可以取代用于修剪和动态控制的尾翼，从而使无人机成为无尾飞行器，这也减轻了无人机的重量。
特色项目
基于 CNN 的混凝土路面结构动态模量反演算法
本文基于谱元法（SEM）和卷积神经网络（CNN），提出了一种混凝土路面结构动态模量的反演算法。
为了更系统、更准确地评估路面结构的使用性能，有必要通过现有的使用落重偏转仪（FWD）的测试技术获得结构的精确动态模量参数。在这项工作中，使用 CNN 建立了一种预测动态模量的反演算法，CNN 是通过 SEM 获取的多层混凝土路面结构的动态响应样本进行训练的。使用梯度下降法逐层反向调整网络中的权重参数。因此，通过迭代训练可以提高 CNN 的精度。利用所提出的算法，可以获得更精确的路面结构动态模量结果。多个数值实例验证了所提算法的准确性和数值稳定性。根据落重式挠度仪挠度盆的位移曲线，经过一定数量训练样本训练的 CNN 可以准确预测混凝土路面结构层的动态模量和厚度。所提出的方法可以为路面结构的 FWD 技术提供可靠的测试工具。
特色项目
基于 EMD 和傅立叶变换的无人机测量桥梁模态参数识别
本文提出了经验模式分解（EMD）和傅立叶变换（FT）两种方法来校正无人飞行器（UAV）测量的振动信号，克服了同构变换和三维重建等其他校正方法在参考点选择上的困难。
在本文的方法中，使用无人机采集振动桥梁的视频，通过 Kanade-Lucas-Tomasi (KLT) 光流方法从视频中获取桥梁的位移信号，其中包含了无人机在测量过程中自我运动造成的虚假位移。通过 EMD 和 FT 可以有效消除虚假位移，从而获得真实的位移信号。最后，通过运行模态分析（OMA）技术对位移信号进行处理，以获得桥梁模态参数。本文以固定相机测量为参考（固定相机测量桥梁振动的准确性已得到验证），比较了基于 EMD、FT 和差分滤波（DF）的振动信号校正和桥梁模态参数提取性能，结果表明 EMD 在处理无人机测量信号时具有更好的可靠性，这主要是由于 EMD 在信号处理过程中不存在随机因素和过多噪声。
