一、导师简介
YUEN KA VENG现任澳门大学科技学院杰出教授，兼任华南理工大学主席教授（2019年1月至今）。其研究聚焦贝叶斯推断、结构健康监测、结构控制与工程系统可靠性四大学术方向。职业履历显示，2002年9月至2018年10月期间，从澳门大学科技学院助理教授逐步晋升至杰出教授，累计发表275篇Web of Science收录论文，总引用6709次，H-index达48，学术产出强度与影响力兼具。
该教授的H-index与引用量反映其研究已形成系统性学术脉络。长期服务于单一机构的同时担任内地高校主席教授，暗示其研究具备跨地域应用价值。275篇WOS论文的体量指向团队作战模式，而非单兵作战，这直接影响博士生的培养方式——学生将深度嵌入既有研究体系而非完全独立探索。
二、近期文章和项目解析
1. 地震衰减模型的贝叶斯非参数方法
2025年发表于ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems的"Gaussian Process with Bayesian Kernel Selection for Seismic Attenuation Modeling"提出用高斯过程回归改进地震衰减建模。研究建立候选核函数池，结合不同类型核与输入变量，在汶川地震数据集中验证其有效性。
传统地震衰减模型依赖主观选定的参数核函数，该工作将核选择问题转化为贝叶斯模型选择问题。博士生在此方向可延伸的工作包括：核函数池的自动扩充策略、实时地震数据流中的在线核更新机制。
2. 磁流变弹性体隔震器的滞回行为重构
Engineering Structures 2025年刊载的"Reconstructing hysteresis behavior for magnetorheological elastomer base isolator using bi-fidelity transferring evolution"研究双保真度迁移演化方法。该方法通过整合低精度模拟与高精度实验数据，解决磁流变弹性体在复杂载荷下的非线性滞回建模难题。
双保真度迁移本质上是用贝叶斯框架融合异质数据源。实际工程价值在于：实验室小样本数据可通过该框架放大为足尺结构的设计依据。学生需掌握的关键技能包括：实验设计能力、多源数据对齐技术、贝叶斯模型验证方法。
3. 海洋遥感目标检测的宽度学习系统
ISPRS Journal of Photogrammetry and Remote Sensing 2025年发表的"Research on adaptive ocean remote sensing target detection framework: An efficient solution based on the broad learning system"将宽度学习系统引入海洋遥感。不同于深度学习的深层架构，宽度学习通过增量式扩展增强节点实现快速自适应，满足海洋环境动态变化需求。
选择宽度学习而非深度学习，体现工程实用性导向——计算效率与实时性优先于绝对精度。这一选择背后是对遥感硬件限制与海洋环境多变性的务实考量。博士生应思考：在何种场景下，"快而准"比"慢而极准"更有价值？
4. 无监督跨域桥梁损伤检测
Computer-Aided Civil and Infrastructure Engineering 2025年接收的"An unsupervised cross-domain method for bridge damage detection based on multichannel symmetric dot pattern feature alignment"提出多通道对称点模式特征对齐方法。该方法突破监督学习对标注数据的依赖，通过域自适应实现不同桥梁间的知识迁移。
跨域检测的核心矛盾是不同桥梁的结构响应分布差异。对称点模式特征的本质是寻找结构动力响应的不变量。该方向的研究瓶颈在于：如何量化迁移置信度？贝叶斯框架为此提供了天然工具——用预测不确定性评估迁移可靠性。
5. 实时异常检测与系统识别的自适应贝叶斯方案
Mechanical Systems and Signal Processing 2025年刊出的"Novel adaptive Bayesian scheme for real-time simultaneous anomaly detection and system identification"将异常检测与系统识别耦合处理。传统方法分两步走——先识别后检测，该方案通过贝叶斯更新实现同步进行，大幅降低延迟。
实时性要求迫使算法设计必须权衡计算精度与速度。该研究很可能采用变分贝叶斯或拉普拉斯近似等快速推断方法，而非传统的MCMC。对学生而言，理解近似推断的理论边界比实现算法更重要。
6. 风沙环境下低矮建筑的气沙载荷效应
Physics of Fluids 2025年发表的"Aeolian sand load effects and distribution patterns of particle collisions on low-rise buildings under severe wind-sand conditions"研究风沙两相流对建筑的撞击分布。该工作将贝叶斯推断用于粒子碰撞模式识别，从随机碰撞数据中提取统计规律。
这是典型的多物理场耦合问题。贝叶斯方法的价值不在于求解流体动力学方程，而在于处理实验观测中的巨大不确定性。学生需明白：贝叶斯是"不确定性的语言"，而非"物理过程的语言"。
三、未来研究预测
预测方向一：贝叶斯深度学习工程化落地
当前多数研究处于算法验证阶段，工程落地受制于计算效率。未来三年，该团队将重点开发贝叶斯神经网络的轻量化推断方法，如子集模拟、自适应重要采样，使不确定性量化可从实验室服务器部署至现场边缘计算设备。
工程化落地的瓶颈不在算法精度，而在软硬件适配。博士生应积累嵌入式系统开发经验，而非仅精通数值计算。
预测方向二：多灾种耦合作用的可靠性评估
现有研究多聚焦单一灾种（地震、风沙）。未来研究将整合地震-风-波浪等多物理场，构建高维联合概率模型。这需要发展新型贝叶斯网络结构学习算法，从监测数据中自动发现灾种间关联拓扑。
多灾种耦合本质是高维稀疏数据问题。先验知识的嵌入方式决定模型成败。可能的突破点是：用图神经网络编码物理机理，再用贝叶斯方法校准。
预测方向三：智能材料与贝叶斯控制的闭环
磁流变弹性体研究已证明材料性能的可控性，下一步将构建"感知-决策-控制"闭环。贝叶斯方法不仅用于离线建模，更需实时在线更新控制策略，形成自适应反演控制框架。
闭环系统的稳定性是最大挑战。贝叶斯更新引入的随机性可能影响控制鲁棒性。需要研究鲁棒贝叶斯控制理论，在不确定性量化与稳定性保证间建立桥梁。
预测方向四：数字孪生的不确定性传播管理
数字孪生依赖多源数据融合与模型更新，贝叶斯分层模型天然适合作为其不确定性管理引擎。未来研究将开发跨尺度、跨分辨率的不确定性传播算法，实现从材料微观缺陷到结构宏观性能的全程量化。
数字孪生的"孪生"精度高度依赖数据同化频率。过于频繁更新导致计算负担，过于稀疏则失准。最优更新策略的制定需引入随机最优控制理论，这是交叉学科的新蓝海。
【竞赛报名/项目咨询+微信：mollywei007】
