导师简介
如果你想申请澳门大学 数学系博士，那今天这期文章解析可能对你有用！今天Mason学长为大详细解析澳门大学的Prof.Yuen的研究领域和代表文章，同时，我们也推出了新的内容“科研想法&开题立意”，为同学们的科研规划提供一些参考，并且会对如何申请该导师提出实用的建议！方便大家进行套磁！后续我们也将陆续解析其他大学和专业的导师，欢迎大家关注！
导师现任澳门大学科技学院杰出教授以及华南理工大学讲座教授。袁教授自2002年开始在澳门大学任教，于2018年晋升为杰出教授。袁教授是结构健康监测、结构控制、工程系统可靠性和贝叶斯推断领域的国际知名专家。
他在学术界具有重要影响力，已发表学术论文261篇（Web of Science收录），198篇（Scopus收录），总引用次数分别达6053次（WoS）和8309次（Scopus），H指数分别为45（WoS）和51（Scopus），领域加权引用影响力（FWCI）达1.65，这些指标充分展示了他在学术领域的杰出贡献和广泛影响。
研究领域
教授的主要研究方向集中在以下几个领域：
- 贝叶斯推断（Bayesian Inference）：开发和应用贝叶斯统计方法解决工程问题，特别是在处理不确定性和概率模型中的应用。
- 结构健康监测（Structural Health Monitoring, SHM）：研究如何通过传感器网络和数据分析技术监测工程结构的健康状态，识别结构损伤和退化情况。
- 结构控制（Structural Control）：研究如何通过控制系统减轻结构受到外部激励（如地震、风荷载）的影响，提高结构安全性和舒适性。
- 工程系统可靠性（Reliability of Engineering System）：研究工程结构和系统在不确定性条件下的可靠性评估和优化方法。
研究分析
1. "Two-stage Bayesian inference for rail model updating and crack detection with ultrasonic guided wave measurements and advanced wave propagation simulation"
发表于《Journal of Sound and Vibration》（2025年）
该研究开发了一种两阶段贝叶斯推断方法，用于钢轨模型更新和裂纹检测，结合了超声导波测量技术和先进的波传播模拟。这项研究对铁路系统的安全监测和维护具有重要意义，提供了一种有效识别钢轨裂纹的新方法，有助于预防铁路事故。
2. "Bayesian generative kernel Gaussian process regression"
发表于《Mechanical Systems and Signal Processing》（2025年）
这篇论文提出了一种新的贝叶斯生成核高斯过程回归方法，将生成模型与核方法和高斯过程相结合，为非线性系统建模提供了强大的工具。这一方法在处理复杂工程系统数据时展现出机构性能，尤其是在数据稀疏或噪声存在的情况下。
3. "Characterization of mechanical properties of shale constituent minerals using phase-identified nanoindentation"
发表于《Computer-Aided Civil and Infrastructure Engineering》（2025年）
该研究利用相鉴定纳米压痕技术表征页岩组成矿物的力学性质，为页岩气开发和地下工程中的岩石力学分析提供了重要参考。这项工作展示了教授研究领域的广泛性，从结构工程扩展到地质工程和材料科学的交叉领域。
4. "Generative adversarial network-based ultrasonic full waveform inversion for high-density polyethylene structures"
发表于《Mechanical Systems and Signal Processing》（2025年）
该研究将深度学习中的生成对抗网络（GAN）应用于超声波检测领域，提出了一种创新的全波形反演方法，用于高密度聚乙烯结构的无损检测。这项工作体现了教授将现代人工智能技术与传统工程检测方法相结合的前沿研究方向，对塑料管道等重要基础设施的安全监测具有实际应用价值。
5. "Clustering driven incremental learning surrogate model-assisted evolution for structural condition assessment"
发表于《Mechanical Systems and Signal Processing》（2025年）
这篇论文提出了一种基于聚类的增量学习代理模型，辅助进化算法进行结构状态评估。该方法有效地减少了计算复杂性，提高了结构状态评估的效率和精度。这项研究对大型复杂工程结构的健康监测和状态评估具有重要意义，尤其是在计算资源有限的情况下。
6. "Streaming variational inference-empowered Bayesian nonparametric clustering for online structural damage detection with transmissibility function"
发表于《Mechanical Systems and Signal Processing》（2025年）
已被引用4次，表明该研究已经引起了领域内的关注。该论文结合了流式变分推断和贝叶斯非参数聚类方法，用于基于传递函数的在线结构损伤检测。这一方法能够实时处理结构监测数据流，及时发现结构损伤，对于重要基础设施的安全监测具有显著价值。
项目分析
1.A graph attention reasoning model for prefabricated component detection
该研究开发了一种基于图注意力网络的推理模型，用于预制构件的检测。这项工作在建筑工业化和预制装配式建筑领域具有重要应用前景，可以提高预制构件的质量控制和施工效率，展示了教授将先进人工智能技术应用于工程实践的能力。
2. "A novel Bayesian framework for time-domain operational multi-setup modal analysis: Theory and parallelization
该项目提出了一种新型的贝叶斯框架，用于时域运行多设置模态分析，并实现了计算的并行化。这一方法能够有效处理大型结构的模态参数识别问题，提高了计算效率和结果精度，对于大型土木工程结构的动力特性分析具有重要价值。
3.Efficient non-probabilistic parallel model updating based on analytical correlation propagation formula and derivative-aware deep neural network metamodel"
该研究将解析相关传播公式与导数感知深度神经网络元模型相结合，提出了一种高效的非概率并行模型更新方法。这一方法能够显著提高模型更新的计算效率，对于复杂工程结构的有限元模型修正具有重要应用价值。
研究想法
1. 融合物理信息的贝叶斯深度学习在结构健康监测中的应用
这一研究方向旨在将物理模型信息融入贝叶斯深度学习框架，实现物理约束的深度学习模型。具体研究内容可包括：
- 开发基于物理方程约束的贝叶斯神经网络，实现对结构动力学行为的准确预测
- 设计物理信息引导的贝叶斯注意力机制，提高模型对关键物理特征的感知能力
- 构建多模态数据融合的物理信息贝叶斯推断框架，综合利用不同类型监测数据
2. 分布式联邦学习在大型结构群健康监测中的贝叶斯实现
随着智慧城市建设的推进，对城市基础设施群的协同监测日益重要。该研究可围绕以下内容展开：
- 设计基于贝叶斯框架的联邦学习算法，实现多结构监测数据的隐私保护下共享学习
- 研究异构结构监测数据的贝叶斯知识迁移方法，提高数据稀缺结构的监测精度
- 开发分布式贝叶斯决策系统，实现结构群协同健康评估和预警
3. 面向极端事件的结构韧性评估的多尺度贝叶斯方法
在气候变化背景下，极端气象事件和灾害频发，结构韧性评估变得尤为重要：
- 构建多尺度贝叶斯网络模型，从材料、构件到整体结构实现跨尺度韧性评估
- 研究极端事件下非高斯不确定性的贝叶斯表征和传播方法
- 开发基于强化学习的贝叶斯适应性监测策略，在灾害过程中动态优化监测资源
4. 贝叶斯生成模型在结构损伤模拟与预测中的应用研究
生成模型如扩散模型（Diffusion Models）是当前AI领域的热点，将其与贝叶斯方法结合应用于结构损伤研究具有创新性：
- 开发基于贝叶斯扩散模型的结构损伤生成与模拟方法，实现稀有损伤模式的合成
- 研究条件贝叶斯生成模型在多源监测数据下的损伤特征学习与表征
- 构建贝叶斯生成对抗网络框架，实现损伤进展的预测模拟与不确定性量化
申请建议
1. 学术背景准备
- 数学和统计学基础：贝叶斯推断方法需要扎实的数学和统计学基础，尤其是概率论、随机过程、贝叶斯统计等领域的知识。建议系统学习这些课程，熟悉贝叶斯统计的基本原理和方法。
- 力学与结构动力学知识：教授的研究与结构监测和控制密切相关，应牢固掌握结构动力学、振动理论、有限元方法等专业知识，这是理解其研究工作的基础。
- 编程与计算能力：从教授的论文可以看出，他的研究工作涉及大量的算法开发和数值计算，熟练掌握Python、MATLAB等科学计算语言是必要的，此外，了解TensorFlow或PyTorch等深度学习框架将有助于开展与AI相关的研究。
- 信号处理技能：结构健康监测涉及大量传感器数据处理，掌握时频分析、滤波技术、特征提取等信号处理方法是必要的研究技能。
2. 研究方向定位
- 关注研究前沿：仔细阅读教授最近3-5年发表的论文，特别是高被引论文和发表在顶级期刊上的论文，了解他当前的研究重点和前沿方向。
- 找准交叉点：结合自身背景和兴趣，在教授的研究领域中找到与自身专长相交的研究方向。例如，如果你有计算机和AI背景，可以考虑贝叶斯深度学习在结构监测中的应用；如果你有土木工程背景，可以考虑工程结构监测的具体应用研究。
- 突出创新性：在联系导师时，应提出有创新性的研究想法，而不仅仅是跟随现有工作。可以考虑将新兴技术（如联邦学习、扩散模型、图神经网络等）与贝叶斯方法和结构监测相结合，提出新的研究方向。
3. 跨学科视野培养
- 拓展知识面：教授的研究工作体现了很强的跨学科特性，涉及结构工程、统计学、计算机科学等多个领域。建议申请者不仅在自己的专业领域深耕，也要积极拓展相关学科的知识，培养跨学科视野。
- 关注应用场景：了解结构健康监测技术的实际应用需求和挑战，特别是在桥梁、建筑、铁路等重要基础设施领域的应用情况。这有助于提出更有实际价值的研究问题。
- 国际视野培养：教授与国际学者有广泛合作，建议申请者关注国际会议和期刊，了解全球在相关领域的最新进展，这有助于提出具有国际水平的研究课题。
博士背景
Felix，美国top10学院数学系博士生，专注于代数拓扑和高维数据分析的交叉研究。擅长运用持续同调理论和拓扑数据分析方法，探索复杂网络结构和高维数据集的几何特性。在研究拓扑机器学习算法及其在材料科学中的应用方面取得重要突破。曾获美国数学协会青年研究员奖，研究成果发表于《Annals of Mathematics》和《Journal of the American Mathematical Society》等顶级期刊。
【竞赛报名/项目咨询+微信：mollywei007】
