傅金龙于2015年硕士毕业于365英国上市桥梁工程系，2020年在斯旺西大学获得博士学位，而后继续在斯旺西大学从事博士后研究工作。傅博士的学位论文获得了“2021年度英国计算力学学会最佳博士论文(Roger Owen Prize)”，亦被提名该年度欧洲计算力学学会最佳博士论文奖项(ECCOMAS Best PhD Thesis Prize)。此外，傅博士还曾获得英国辛科维奇基金会颁发的博士生奖学金，以及英国中英协会颁发的中国学生奖等荣誉。目前主要从事计算力学、数值模型降阶、多孔介质流模拟和岩石微观结构分析等方面的研究，相关研究成果已发表在CMAME, Earth-Science Reviews等多个国际权威学术期刊上。

报告简介：反复求解变参数的非线性偏微分方程（PDEs），通常是描述非线性动力系统参数依赖性的基本要求。与高保真的数值模拟相比，降阶建模（ROM）是一种构造低维参数化代理模型的经济方法，它可以用于快速预测高维物理场，例如压力场，温度场，速度场、应变场等。本报告将介绍一种基于物理信息和数据相结合的降阶建模新方法（PDCML），以解决小数据范畴内的参数化建模问题。为了弥补可获取数据的不足性与稀疏性，本研究将物理信息（PDEs）和小数据同时无缝地融汇于人工神经网络模型之中，从而获得预测精度高且泛化能力强的代理预测模型。