香港理工大学博士导师（Song Cheng教授）

招生要求

1. 学历背景方面，香港理工大学对Song Cheng教授团队的博士申请者设定了明确门槛：硕士学位为基本要求，且需来自机械工程、化学工程、能源工程或相近领域；若本科阶段成绩处于年级前10%且能提供科研能力证明（如参与过燃烧动力学相关课题），则可申请直博项目。

【信息解读】该要求体现团队“理论与应用结合”的研究特点——相关专业背景能确保申请者理解燃烧、动力学的基础理论，而直博项目的成绩门槛则为选拔潜在科研人才提供依据。

2. 学术能力上，申请者需至少满足以下一项条件：一是熟悉气体燃烧、化学动力学的核心理论；二是掌握ab initio计算或反应动力学模拟技术；三是能使用Python/MATLAB编写机器学习代码（如调用Scikit-learn工具包）。若有在Journal of Physical Chemistry A、Combustion and Flame等期刊的发表经历，申请竞争力将显著提升。

【信息解读】该要求与导师研究方向高度匹配：ab initio是气相化学动力学研究的核心方法，机器学习则是模型优化的关键工具，相关能力可帮助申请者快速融入在研项目。

3. 语言成绩需达到以下任一标准：雅思总分不低于6.5且单项不低于6.0，托福网考分数不低于80，或内地大学英语六级成绩不低于500分（需额外提交语言能力补充说明）。

【信息解读】英语能力要求符合香港高校常规标准，同时考虑内地申请者的实际情况（认可六级），既保障学术沟通（如阅读英文文献、参加国际会议），又降低申请门槛。

4. 申请材料需完整提交：个人陈述（需说明对导师研究方向的理解与申请动机）、个人简历（CV）、2至3封学术推荐信（推荐人需为副教授及以上职称）、学校官方盖章的成绩单、3000字左右的研究计划。

【信息解读】研究计划是核心材料之一，其质量直接反映申请者对课题的规划能力——需紧密结合导师的在研项目（如超临界燃烧、机器学习建模），而非泛泛而谈。

5. 申请者还需通过两轮面试：第一轮聚焦学术背景审核，第二轮为研究计划答辩；全奖获得者须承诺全日制就读，且每周投入科研工作的时间不少于40小时。

【信息解读】两轮面试设计可全面考察申请者的学术基础与科研规划能力，而科研时间要求则保障了在研项目（如2022-2025年的模型优化项目）的推进效率。

研究方向

1. 气相化学动力学：Song Cheng教授团队的研究围绕燃料热分解与氧化反应展开，具体包括acetaldehyde、triethyl phosphite、NH₃等物质的反应机制。团队通过ab initio方法计算关键反应的活化能与速率常数，并评估这些动力学参数的不确定性——这一研究已体现于2025年发表在Applications in Energy and Combustion Science的“Comprehensive reevaluation of acetaldehyde chemistry”一文中。从应用角度看，这些基础动力学数据可为提升燃料燃烧效率、控制NOₓ等污染物生成提供支撑。

【信息解读】acetaldehyde是燃料燃烧的重要中间产物，其动力学参数的精准度直接影响燃烧模型的可靠性，团队对该物质的重新评估，可修正传统模型的偏差，提升工程应用（如发动机设计）的准确性。

2. 跨/超临界燃烧基础：该方向的核心是结合高阶Virial EoS与ab initio multi-body potentials，探究超临界条件（压力10-30 MPa、温度800-1200 K）下燃料的热解与氧化特性，尤其关注真实流体效应（如分子间相互作用）对燃烧反应的影响。2025年团队发表于Combustion and Flame的“Investigation of real-fluid effects on NH₃ oxidation”一文，便属于该方向的代表性研究。在应用场景上，此类研究可为航天推进系统、重型发动机的超临界燃烧设计提供理论依据。

【信息解读】超临界条件下燃料的物理化学性质与常规条件差异显著（如密度接近液体、扩散系数接近气体），传统燃烧模型难以适用，团队引入高阶Virial EoS与多体势能，可更精准描述该环境下的燃烧过程，填补航天推进领域的动力学数据空白。

3. 绿色燃料整合与交通脱碳：团队当前推进的在研项目“Toward Decarbonized Transportation via Carbon-Free Blending of Sustainable and Petroleum-Derived Aviation Fuels”（2022-2024），聚焦可持续燃料（如生物柴油）与石油基航空燃料（如Jet A-1）的无碳调配。通过实验与模拟结合，团队旨在明确混合燃料在发动机、燃气轮机中的燃烧特性，最终推动交通领域的脱碳目标实现。

【信息解读】该项目响应全球“双碳”趋势，生物柴油与航空燃料的混合可降低化石燃料依赖，但混合比例不当可能影响燃烧稳定性——团队的研究可解决这一关键问题，为航空、重型交通领域的燃料替代提供技术支持。

4. 机器学习辅助建模与优化：团队的研究包含两方面：一是通过机器学习（如随机森林、神经网络）实现高维化学动力学模型的近实时优化，相关工作体现在在研项目“Optimization of acetaldehyde chemical kinetic model via high-dimensional model representation and machine learning”（2022-2025）中；二是将详细化学动力学引入湍流燃烧建模，解决传统模型计算量大、难以应用于工程的问题。

【信息解读】高维化学动力学模型（如包含上千个反应）的优化需大量计算资源，机器学习可显著提升优化效率；而将详细动力学引入湍流燃烧，可提升燃烧模拟的精度，为发动机燃烧系统的精细化设计提供可能。

Mason博士有想法

1. 机器学习驱动的生物柴油-航空燃料混合体系跨临界燃烧优化：该研究以亚麻籽油甲酯（生物柴油）与Jet A-1（航空燃料）为研究对象，第一步通过ab initio方法获取混合体系中关键氧化反应（如C-C键断裂、H原子 abstraction）的动力学参数；第二步利用神经网络构建高维模型，量化混合比例（5%-30%）、超临界压力（15-25 MPa）对燃烧效率、NOₓ排放的不确定性；最终目标是开发可实时调整混合比的优化算法，用于燃气轮机的低碳改造。从可行性来看，该研究可依托导师在机器学习建模（在研项目1）与绿色燃料（在研项目3）的现有基础，且实验平台可复用“Platform for studying atmospheric to supercritical gas-phase chemical kinetics”（在研项目2）的高压反应装置，无需额外搭建核心设备。

【信息解读】生物柴油的加入虽能降低碳排放，但可能改变燃料的燃烧特性（如点火延迟期延长），通过机器学习量化不确定性并优化混合比，可在“低碳”与“燃烧稳定性”间找到平衡，具备明确的工程应用价值。

2. 超临界氨-氢混合燃料氧化的真实流体效应定量研究：针对航天推进领域对氨燃料的应用需求，该研究设计了可视化高压反应釜，用于实验测量超临界条件（压力10-30 MPa、温度900-1100 K）下氨-氢混合燃料（氢比例10%-20%）的氧化速率；同时结合高阶Virial EoS与ab initio多体势能，通过支持向量机（SVM）拟合真实流体效应（分子间相互作用能）与氧化速率的定量关系，最终建立适用于超临界环境的氨-氢燃烧动力学模型。可行性方面，导师团队已在2025年Combustion and Flame发表氨氧化相关研究，具备理论计算与实验测量的双重基础，可有效缩短研究周期（预计1.5-2年完成核心实验）。

【信息解读】氨作为无碳燃料，在航天推进中具有广阔前景，但超临界条件下其氧化特性受真实流体效应影响显著——该研究首次定量描述这种影响，可为航天发动机的氨燃料供给系统设计提供关键数据。

3. 深度学习辅助的湍流燃烧详细化学动力学简化：此研究以乙醛氧化（在研项目1的核心体系）为对象，利用卷积神经网络（CNN）从包含500余个反应的详细动力学模型中，提取关键反应路径（如CH₃CHO→CH₃CO+H）；基于这些路径构建简化动力学模型（反应数减少至50-80个），再通过大涡模拟（LES）验证模型在湍流燃烧中的准确性；最后对比传统简化方法（如敏感性分析），评估深度学习在精度与计算效率上的优势。从资源支持来看，导师团队有机器学习与湍流燃烧结合的研究规划，且可使用香港理工大学RISE实验室的高性能计算平台，满足LES模拟的算力需求。

【信息解读】传统简化方法常因忽略次要反应导致精度不足，而详细模型计算量过大难以用于工程模拟——深度学习可精准识别关键反应，实现“精度-效率”平衡，为湍流燃烧的工程应用（如发动机燃烧室设计）提供更实用的模型工具。