1. 数据驱动模型

研究聚焦于数据驱动的模型构建与优化，主要涉及神经网络模型、高斯过程模型及降解模型的开发与应用，致力于提升复杂系统建模的精度与效率。通过多保真度方法整合不同精度与成本的数据源，实现高精度预测与低成本计算的平衡，同时结合数据清洗策略优化数据质量，进一步提升建模效率与可靠性。

2. 设计优化与不确定性量化

研究致力于通过先进算法提升复杂系统的性能与可靠性，核心内容包括：利用主动机器学习与自适应采样技术，高效探索设计空间并显著降低计算成本；结合贝叶斯优化方法，实现全局最优解的快速搜索与迭代优化；同时，开发基于深度集成的不确定性量化框架，精准评估模型预测的置信度与误差范围，为决策提供可靠依据。

3. 多物理场仿真

研究致力于建立高效、精确的数值模型，以模拟和分析复杂系统中多个物理场（如流体、固体、传质、传热等）的耦合行为。通过结合高性能计算与先进数值方法，研究旨在揭示多物理场相互作用的内在机制，优化系统设计并预测其性能。