澳門大學(UM)PhD博士申請攻略及導師簡介

導師簡介

如果你想申請澳門大學 數學係博士，那今天這期文章解析可能對你有用！今天Mason學長為(wei) 大詳細解析澳門大學的Prof.Yuen的研究領域和代表文章，同時，我們(men) 也推出了新的內(nei) 容“科研想法&開題立意”，為(wei) 同學們(men) 的科研規劃提供一些參考，並且會(hui) 對如何申請該導師提出實用的建議！方便大家進行套磁！後續我們(men) 也將陸續解析其他大學和專(zhuan) 業(ye) 的導師，歡迎大家關(guan) 注！

導師現任澳門大學科技學院傑出教授以及華南理工大學講座教授。袁教授自2002年開始在澳門大學任教，於(yu) 2018年晉升為(wei) 傑出教授。袁教授是結構健康監測、結構控製、工程係統可靠性和貝葉斯推斷領域的國際知名專(zhuan) 家。

他在學術界具有重要影響力，已發表學術論文261篇（Web of Science收錄），198篇（Scopus收錄），總引用次數分別達6053次（WoS）和8309次（Scopus），H指數分別為(wei) 45（WoS）和51（Scopus），領域加權引用影響力（FWCI）達1.65，這些指標充分展示了他在學術領域的傑出貢獻和廣泛影響。

研究領域

教授的主要研究方向集中在以下幾個(ge) 領域：

1. 貝葉斯推斷（Bayesian Inference）：開發和應用貝葉斯統計方法解決工程問題，特別是在處理不確定性和概率模型中的應用。
2. 結構健康監測（Structural Health Monitoring, SHM）：研究如何通過傳感器網絡和數據分析技術監測工程結構的健康狀態，識別結構損傷和退化情況。
3. 結構控製（Structural Control）：研究如何通過控製係統減輕結構受到外部激勵（如地震、風荷載）的影響，提高結構安全性和舒適性。
4. 工程係統可靠性（Reliability of Engineering System）：研究工程結構和係統在不確定性條件下的可靠性評估和優化方法。

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"

發表於(yu) 《Journal of Sound and Vibration》（2025年）

該研究開發了一種兩(liang) 階段貝葉斯推斷方法，用於(yu) 鋼軌模型更新和裂紋檢測，結合了超聲導波測量技術和先進的波傳(chuan) 播模擬。這項研究對鐵路係統的安全監測和維護具有重要意義(yi) ，提供了一種有效識別鋼軌裂紋的新方法，有助於(yu) 預防鐵路事故。

2. "Bayesian generative kernel Gaussian process regression"

發表於(yu) 《Mechanical Systems and Signal Processing》（2025年）

這篇論文提出了一種新的貝葉斯生成核高斯過程回歸方法，將生成模型與(yu) 核方法和高斯過程相結合，為(wei) 非線性係統建模提供了強大的工具。這一方法在處理複雜工程係統數據時展現出機構性能，尤其是在數據稀疏或噪聲存在的情況下。

3. "Characterization of mechanical properties of shale constituent minerals using phase-identified nanoindentation"

發表於(yu) 《Computer-Aided Civil and Infrastructure Engineering》（2025年）

該研究利用相鑒定納米壓痕技術表征頁岩組成礦物的力學性質，為(wei) 頁岩氣開發和地下工程中的岩石力學分析提供了重要參考。這項工作展示了教授研究領域的廣泛性，從(cong) 結構工程擴展到地質工程和材料科學的交叉領域。

4. "Generative adversarial network-based ultrasonic full waveform inversion for high-density polyethylene structures"

發表於(yu) 《Mechanical Systems and Signal Processing》（2025年）

該研究將深度學習(xi) 中的生成對抗網絡（GAN）應用於(yu) 超聲波檢測領域，提出了一種創新的全波形反演方法，用於(yu) 高密度聚乙烯結構的無損檢測。這項工作體(ti) 現了教授將現代人工智能技術與(yu) 傳(chuan) 統工程檢測方法相結合的前沿研究方向，對塑料管道等重要基礎設施的安全監測具有實際應用價(jia) 值。

5. "Clustering driven incremental learning surrogate model-assisted evolution for structural condition assessment"

發表於(yu) 《Mechanical Systems and Signal Processing》（2025年）

這篇論文提出了一種基於(yu) 聚類的增量學習(xi) 代理模型，輔助進化算法進行結構狀態評估。該方法有效地減少了計算複雜性，提高了結構狀態評估的效率和精度。這項研究對大型複雜工程結構的健康監測和狀態評估具有重要意義(yi) ，尤其是在計算資源有限的情況下。

6. "Streaming variational inference-empowered Bayesian nonparametric clustering for online structural damage detection with transmissibility function"

發表於(yu) 《Mechanical Systems and Signal Processing》（2025年）

已被引用4次，表明該研究已經引起了領域內(nei) 的關(guan) 注。該論文結合了流式變分推斷和貝葉斯非參數聚類方法，用於(yu) 基於(yu) 傳(chuan) 遞函數的在線結構損傷(shang) 檢測。這一方法能夠實時處理結構監測數據流，及時發現結構損傷(shang) ，對於(yu) 重要基礎設施的安全監測具有顯著價(jia) 值。

項目分析

1.A graph attention reasoning model for prefabricated component detection

該研究開發了一種基於(yu) 圖注意力網絡的推理模型，用於(yu) 預製構件的檢測。這項工作在建築工業(ye) 化和預製裝配式建築領域具有重要應用前景，可以提高預製構件的質量控製和施工效率，展示了教授將先進人工智能技術應用於(yu) 工程實踐的能力。

2. "A novel Bayesian framework for time-domain operational multi-setup modal analysis: Theory and parallelization

該項目提出了一種新型的貝葉斯框架，用於(yu) 時域運行多設置模態分析，並實現了計算的並行化。這一方法能夠有效處理大型結構的模態參數識別問題，提高了計算效率和結果精度，對於(yu) 大型土木工程結構的動力特性分析具有重要價(jia) 值。

3.Efficient non-probabilistic parallel model updating based on analytical correlation propagation formula and derivative-aware deep neural network metamodel"

該研究將解析相關(guan) 傳(chuan) 播公式與(yu) 導數感知深度神經網絡元模型相結合，提出了一種高效的非概率並行模型更新方法。這一方法能夠顯著提高模型更新的計算效率，對於(yu) 複雜工程結構的有限元模型修正具有重要應用價(jia) 值。

研究想法

1. 融合物理信息的貝葉斯深度學習(xi) 在結構健康監測中的應用

這一研究方向旨在將物理模型信息融入貝葉斯深度學習(xi) 框架，實現物理約束的深度學習(xi) 模型。具體(ti) 研究內(nei) 容可包括：

• 開發基於物理方程約束的貝葉斯神經網絡，實現對結構動力學行為的準確預測
• 設計物理信息引導的貝葉斯注意力機製，提高模型對關鍵物理特征的感知能力
• 構建多模態數據融合的物理信息貝葉斯推斷框架，綜合利用不同類型監測數據

2. 分布式聯邦學習(xi) 在大型結構群健康監測中的貝葉斯實現

隨著智慧城市建設的推進，對城市基礎設施群的協同監測日益重要。該研究可圍繞以下內(nei) 容展開：

• 設計基於貝葉斯框架的聯邦學習算法，實現多結構監測數據的隱私保護下共享學習
• 研究異構結構監測數據的貝葉斯知識遷移方法，提高數據稀缺結構的監測精度
• 開發分布式貝葉斯決策係統，實現結構群協同健康評估和預警

3. 麵向極端事件的結構韌性評估的多尺度貝葉斯方法

在氣候變化背景下，極端氣象事件和災害頻發，結構韌性評估變得尤為(wei) 重要：

• 構建多尺度貝葉斯網絡模型，從材料、構件到整體結構實現跨尺度韌性評估
• 研究極端事件下非高斯不確定性的貝葉斯表征和傳播方法
• 開發基於強化學習的貝葉斯適應性監測策略，在災害過程中動態優化監測資源

4. 貝葉斯生成模型在結構損傷(shang) 模擬與(yu) 預測中的應用研究

生成模型如擴散模型（Diffusion Models）是當前AI領域的熱點，將其與(yu) 貝葉斯方法結合應用於(yu) 結構損傷(shang) 研究具有創新性：

• 開發基於貝葉斯擴散模型的結構損傷生成與模擬方法，實現稀有損傷模式的合成
• 研究條件貝葉斯生成模型在多源監測數據下的損傷特征學習與表征
• 構建貝葉斯生成對抗網絡框架，實現損傷進展的預測模擬與不確定性量化

申請建議

1. 學術背景準備

• 數學和統計學基礎：貝葉斯推斷方法需要紮實的數學和統計學基礎，尤其是概率論、隨機過程、貝葉斯統計等領域的知識。建議係統學習這些課程，熟悉貝葉斯統計的基本原理和方法。
• 力學與結構動力學知識：教授的研究與結構監測和控製密切相關，應牢固掌握結構動力學、振動理論、有限元方法等專業知識，這是理解其研究工作的基礎。
• 編程與計算能力：從教授的論文可以看出，他的研究工作涉及大量的算法開發和數值計算，熟練掌握Python、MATLAB等科學計算語言是必要的，此外，了解TensorFlow或PyTorch等深度學習框架將有助於開展與AI相關的研究。
• 信號處理技能：結構健康監測涉及大量傳感器數據處理，掌握時頻分析、濾波技術、特征提取等信號處理方法是必要的研究技能。

2. 研究方向定位

• 關注研究前沿：仔細閱讀教授最近3-5年發表的論文，特別是高被引論文和發表在頂級期刊上的論文，了解他當前的研究重點和前沿方向。
• 找準交叉點：結合自身背景和興趣，在教授的研究領域中找到與自身專長相交的研究方向。例如，如果你有計算機和AI背景，可以考慮貝葉斯深度學習在結構監測中的應用；如果你有土木工程背景，可以考慮工程結構監測的具體應用研究。
• 突出創新性：在聯係導師時，應提出有創新性的研究想法，而不僅僅是跟隨現有工作。可以考慮將新興技術（如聯邦學習、擴散模型、圖神經網絡等）與貝葉斯方法和結構監測相結合，提出新的研究方向。

3. 跨學科視野培養(yang)

• 拓展知識麵：教授的研究工作體現了很強的跨學科特性，涉及結構工程、統計學、計算機科學等多個領域。建議申請者不僅在自己的專業領域深耕，也要積極拓展相關學科的知識，培養跨學科視野。
• 關注應用場景：了解結構健康監測技術的實際應用需求和挑戰，特別是在橋梁、建築、鐵路等重要基礎設施領域的應用情況。這有助於提出更有實際價值的研究問題。
• 國際視野培養：教授與國際學者有廣泛合作，建議申請者關注國際會議和期刊，了解全球在相關領域的最新進展，這有助於提出具有國際水平的研究課題。

博士背景

Felix，美國top10學院數學係博士生，專(zhuan) 注於(yu) 代數拓撲和高維數據分析的交叉研究。擅長運用持續同調理論和拓撲數據分析方法，探索複雜網絡結構和高維數據集的幾何特性。在研究拓撲機器學習(xi) 算法及其在材料科學中的應用方麵取得重要突破。曾獲美國數學協會(hui) 青年研究員獎，研究成果發表於(yu) 《Annals of Mathematics》和《Journal of the American Mathematical Society》等頂級期刊。