智能计算与工业软件前沿技术研讨会日程单

（2025年9月13日）

报告题目：数字岩心流动模型中高效鲁棒的算法

孙树瑜，同济大学

摘要：达西尺度流动模拟在过去半个多世纪里已经得到油藏工程师常规使用；近 20 年，数字岩石物理和孔隙尺度流动模拟用来求算绝对渗透率、相对渗透率、毛细作用、有效弹性岩石参数及其他多孔介质性质，作为一种非破坏性岩心测量方法，正日益受到欢迎。在本次报告中，我们将分享数字岩心流动模拟技术的几项研究成果，包括：1）从模型降阶角度描述的用于孔隙尺度流体流动的孔隙网络模型（PNM），以及我们提出的称为手电筒搜索中轴算法的无像素孔网络模型提取新算法；2）我们用于孔隙尺度两相流模拟的新型光滑粒子流体动力学（SPH）方法，该方法在离散解中不仅能保持质量和动量，还能无条件保持能量耗散，从而实现高鲁棒性；3）我们将双尺度分子动力学-蒙特卡罗算法应用于纳米孔隙尺度现象及其计算提速的研究。

个人简介：孙树瑜，同济大学数学科学学院院长，教育部长江学者讲座教授。他先后于1991年和1994年毕业于天津大学获工业化学学士和化学工程硕士学位，随后继续就读于天津大学化工研究所获化学工程专业博士 (1997年，师从中国科学院院士余国琮)；之后就读美国德克萨斯大学奥斯丁分校并获计算与应用数学专业博士 (2003年，师从美国国家工程院院士Mary Wheeler)。他于2003年至2009年间先后在美国德克萨斯大学奥斯丁分校任博士后和副研究员及在美国克莱姆森大学任助理教授兼博士生导师。2009年8月，他作为百位创校教授之一加盟阿卜杜拉国王科技大学 (KAUST，US News排名全球前一百和排名中东地区第一)，任该校计算传质现象实验室(CTPL)主任，地球科学系教授，石油工程系教授和数学系教授。2024年12月他全职回国加入同济大学。他已发表SCI期刊论文400余篇，总计被引超过14000余次，H指数61。先后指导硕博研究生共50余名(已毕业博士20名)，博士后研究人员20余位。目前兼任 Journal of Computational Physics (JCP) 和 Computational Geoscience 等国际知名期刊的主编或者编委，以及 Applied Energy，Applied Thermal Engineering，Fuel，Computer Methods in Applied Mechanics and Engineering 等国际知名期刊客座主编。

报告题目：油气田智能生产优化技术

潘焕泉，中国地质大学

摘要：油气田生产优化方案使是高效油气田开发的重要组成部分。传统方法计算速度慢，不能满足矿场尺度（百层、万井、千万网格节点规模）生产需求。利用人工智能深度学习技术来解决这一难题是当前研究的热点。我们使用Fourier Neural Operator 、Transformer等深度学习模型来构建油藏数值模拟的快速智能模型、智能化历史拟合技术、地质不确定性下的智能生产优化技术、地质不确定性下的智能二氧化碳封存技术。研究成果构建了复杂油气藏开采智能优化系统及应用。一系列的复杂油气藏测试结果显示，开发的智能化系统具有速度快、计算稳定、容易推广到更大的油藏尺度等优势。研究成果为油气田开发矿场尺度的大规模数值模拟与生产优化技术奠定了基础。

个人简介：潘焕泉，国家级高层次人才, 中国地质大学(武汉)资源学院和未来技术学院教授，博士生导师，国际石油工程师学会的会刊 SPE Journal 副主编。长期致力于智能油气开发和油藏数值模拟新技术的研发，在石油勘探与开发、Applied Energy、SPE Journal、AIChE Journal 等国际知名期刊上发表多篇创新性学术论文。加入中国地质大学（武汉）之前曾先后担任美国油藏工程研究所研究员、美国斯坦福大学资深研究员。曾在美国斯坦福大学能源与资源工程系世界著名油藏数值模拟研究中心SUPRI-B工作超过17 年，领导研发了SUPRI-B 两个新一代油藏数值模拟软件ADGPRS 和GPRS。目前主要从事大模型、深度学习在油气田开发和管理中的应用；基于人工智能的油藏建模-数模等方面的研究。

报告题目：基于人工智能的科学知识自动发现

陈云天，宁波东方理工大学

摘要：本报告聚焦于人工智能（AI）在科学知识发现领域的最新进展，探讨了AI如何助力科学探索与物理化学规律揭示。通过符号数学与AI算法的结合，我们成功验证了方法对带交互项Burgers方程、具有高阶导数的KdV方程和含指数项Chafee-Infante方程的提取能力，充分证实了该方法的准确性与稳健性。进一步地，我们应用该方法揭示了此前未知的全新方程，用于粘性重力流、复杂地形降水和化学极性等复杂现象的建模。在最新研究中，我们基于从数学手册中提取的200余类方程进行训练，构建出当前效果最佳的方程发现模型。报告将重点介绍SGA、DISCOVER及应用于科学探索的大语言模型LLM4ED等前沿模型，为科学家跨越知识与数据壁垒、深入理解自然提供了全新方法。

个人简介：陈云天，宁波东方理工大学助理教授，兼任上海交大计算机系博导。本科毕业于清华大学能源与动力工程系，同时获北京大学经济学双学位，博士提前毕业于北京大学工学院，并获优秀毕业生荣誉。鹏城实验室博士后。研究方向为科学机器学习，关注知识嵌入与知识发现，在国际顶尖期刊发表论文70余篇，中科院一区或CCF-A类40余篇。授权发明专利23项，主持国家重点研发计划课题等项目13项，近五年主持竞争性经费1500余万。能源顶级期刊ADAPEN助理编辑、APEN客座编辑。研究成果被美国科学促进会（AAAS）、参考消息、南华早报等国内外媒体广泛报道。入选中国科协青年人才托举工程，浙江省级青年人才。

报告题目：基于云端压裂实时监测及智能决策研究及应用

卢德唐，中国科学技术大学

摘要：1983年成立渗流实验室之初就扎根油田基层应用单位，从油田难题中提炼科学问题进行研究，提出我国油气开发数学模型，开展偏微分方程解析与数值求解研究。近40年求解各类力学偏分方程解析解9万多个及数值解，形成偏微分方程解析与数值两大算法库，积累材料及流体物性海量数据库等，研发我国工业计算软件，搭建AI+工业计算云端平台，并在油气领域落地应用。

个人简介：卢德唐，中国科学技术大学教授、博士生导师，长期从事工程科学软件与渗流力学研究，提出不稳定产能评价理论、压力偏差试井分析理论及方法，开发试井分析软件应用于大庆油田等国内油气田。主导研发的“数字化大桥”监测系统应用于铜陵长江大桥，成果获央视报道。主持国家自然科学基金重点项目、国家重大科技专项等科研项目30余项，研究方向涵盖页岩气开发、多孔介质传热及工业大数据应用。

报告题目：基于图神经算子的多尺度流动问题高效求解方法

蒋嘉敏，陈景润，杨周旺，中国科学技术大学

摘要：为满足工业设计和实时预测等场景需求，我们致力于构建一种新型PDE神经求解器，旨在突破流动模拟中的计算效率瓶颈。尽管图神经网络能够天然处理非结构化网格并捕捉非线性节点交互，在复杂几何、不同网格分辨率方面展现出强大的适应性，但其局部聚合机制难以有效传播全局信息，严重制约了其在具有长程依赖性PDE问题上的泛化能力和预测性能。为解决上述挑战，我们构建了局部-全局图Transformer（LGGT）框架，将消息传递机制与线性 Transformer 的全局注意力相融合，在保持线性计算复杂度的同时有效兼顾局部细节与长程依赖。进一步提出了嵌入微分算子的图卷积与消息传递方法，来保证PDE守恒性质。通过在包含涡旋、湍流和强激波等多尺度流动问题上的数值实验，验证了神经求解器在长时模拟中的精度和稳定性，并评估了其对未见模型参数的外推泛化能力。

个人简介：蒋嘉敏，2017年于美国塔尔萨大学获得工学博士学位；博士后就职于美国斯坦福大学SUPRI-B数值模拟研究中心；2019-2024在美国雪佛龙技术中心数值模拟科研组担任研究科学家；2024年加入中国科学技术大学苏州高等研究院，现任特任研究员。近几年围绕地下渗流和油气开发等领域对高效高精度数值求解算法和模拟技术的需求，取得了一系列创新研究成果。在权威应用数学类期刊 (Computer Methods in Applied Mechanics and Engineering, Journal of Computational Physics, Applied Mathematical Modelling), 以及地下水文和油气等交叉领域期刊 (Advances in Water Resources, SPE Journal) 共发表论文20篇，其中第一作者18篇。发表论文他引1000余次。研究成果被应用于各大科研机构和石油、软件公司（Chevron, Total, Schlumberger, CMG等），大幅提升了实际数值仿真的精度、效率与稳定性。曾作为核心人员参与了多个国外先进工业仿真软件的科研项目：1)斯坦福SUPRI-B中心研究模拟器AD-GPRS 2)业界领先Chevron/Schlumberger/Total新一代油气模拟平台INTERSECT 3)新一代开源多物理场耦合模拟器GEOS.

报告题目：基于黑油模型的高效数值模拟器研发

林春阳，中科大渗流计算研究所

摘要：本报告聚焦国内油藏数值模拟技术的最新研究进展，采用面向对象思想完成了基于黑油模型的油藏数值模拟软件框架设计。针对地下渗流软件的国产化替代需求，通过软件架构设计、核心功能模块研发、高效并行算法优化突破行业瓶颈，以解决我国渗流力学计算领域面临的"卡脖子"问题，最终形成具有自主知识产权的高效、稳定、可靠工业软件产品，切实满足地下工程开发的实际需求。经实际油田模型验证，该软件在计算稳定性、运算速度等关键性能指标上已达到国际同类软件水平，其技术解决方案为我国CAE软件的自主研发提供了重要参考路径。

个人简介：林春阳，中石化石油工程技术研究院高级工程师。毕业于中国科技大学近代力学系，中海油研究总院博士后。研究方向为地下渗流数值模拟软件及高效算法研究。负责、参与油田研发项目20余项，重大专项2项，河北省重点项目1项。

报告题目：低渗透多孔介质微观表征与多相流动模拟

蔡建超，中国石油大学

摘要：多孔介质广泛存在于自然界，流体在其中的流动规律一直是人们关心的重要问题。低渗透/致密/非常规油气藏是典型的低渗透多孔介质，其中流体的流动、分布及赋存机制是石油科技工作者关注的重要内容之一。储层岩石孔隙结构复杂，跨越几个数量级，使得其中的流体流动难以描述。本报告将从二维和三维角度系统介绍多孔介质微观结构表征分形理论及演化规律，从分形维数、缺项和进相三个角度系统刻画孔隙复杂程度、非均质性和各向异性特征；随后从实验角度研究了致密砂岩自发渗吸规律以及泥质粉砂样品蠕变渗流规律；最后介绍从数值模拟角度研究了单根毛细管及多孔介质的渗吸驱替规律。

个人简介：蔡建超，1981年11月生，博士，教授，博士生导师，国家优青，入选科睿唯安全球高被引科学家、爱思唯尔中国高被引学者、Scholar GPS全球前0.05%顶尖科学家榜单、全球前2%顶尖科学家“终身科学影响力”和“年度科学影响力”榜单等。担任全国高校“双带头人”教师党支部书记“强国行”专项行动团队负责人。主要从事油气储层岩石微观表征与输运物理等方面的研究，主持国家自然科学基金、重点研发课题等30余项。发表SCI论文200余篇，专著6部，论文总SCI引用1万余次，H指数为55。获湖北省自然科学一等奖（排名第二）、北京市自然科学二等奖（排名第一）等奖励，以及刘光鼎地球物理青年科技奖、傅承义青年科技奖、中国石油和化学工业联合会青年科技突出贡献奖、绿色矿山突出贡献、能源与燃料研究新星奖、GSE杰出科学家等，担任Advances in Geo-Energy Research主编、Gas Science & Engineering和Petroleum Science副主编等。

报告题目：高性能CAE计算引擎及其在二氧化碳驱油与封存领域的应用

杨超，北京大学

摘要：工业软件是现代工业发展基石，CAE软件作为工业软件领域最难逾越的“三座大山”之一，是先进算法落地复杂工程场景的核心载体。本报告聚焦团队自主研发的高性能CAE计算引擎，着力围绕国产新型众核处理器及国际主流商用处理器，针对流体、结构、传热等复杂多物理场景中所面临的时空尺度跨度大、强非线性耦合和高分辨率网格超大规模计算等关键性挑战，开展并行算法创新及高性能全栈优化，深度融合AI技术，打通“硬件-算法-软件”的全链条协同，解决行业高端仿真需求。在国家能源安全与"双碳"战略下，以二氧化碳驱油与地质封存重大工程需求为牵引，实现精准评估二氧化碳油气采收率提升及地质封存安全性，助力油气田高效开发和环境高质量发展。

个人简介：杨超，北京大学数学科学学院教授、大数据分析与应用技术国家工程实验室副主任、长沙计算与数字经济研究院院长，教育部“长江学者”特聘教授。长期从事与超大规模并行计算相关的模型、算法、软件和应用研究，主持国家自然科学基金重点项目、科技部重点研发项目等国家级科研项目10余项，发表学术论文100余篇。研究成果曾获2016 ACM Gordon Bell Prize（世界高性能计算最高奖，中国首次）、2017中国科学院杰出科技成就奖、2017 CCF-IEEE CS青年科学家奖、2018茅以升北京青年科技奖、2020王选杰出青年学者奖、2021-2022中国超算年度最佳应用奖（两次）、2024 ASPLOS最佳论文奖等，并三次入围ACM Gordon Bell Prize Finalist。目前担任National Science Review编委、SIAM Journal on Scientific Computing编委、《数值计算与计算机应用》副主编、中国工业与应用数学学会高性能计算与数学软件专业委员会副主任、中国新一代人工智能产业技术创新战略联盟“AI指令集与开发接口”标准专题组组长、IEEE C/DC 2941标准工作组副主任等职。

报告题目：多模态大模型概率可靠性学习

胡文波，合肥工业大学计算机与信息学院

个人简介：胡文波，现任合肥工业大学计算机与信息学院副教授，黄山青年学者，硕士生导师。兼任安徽省安全人工智能研究院研究中心主任、安徽省人工智能学会人工智能安全专委会主任、中国图形图像学会多媒体专委会常务委员等。主要研究方向为概率可信机器学习、人工智能安全。2018年毕业于清华大学计算机系获得工学博士学位，师从张钹院士。在国内外优秀会议和期刊上发表论文四十余篇。担任多个人工智能国际国内顶会的审稿人，承担国家自然科学基金青年基金、2030“新一代人工智能”重大项目子课题、多模态人工智能系统全国重点实验室开放课题基金，参与多项国家自然科学基金重点、面上项目。

报告题目：基于神经算子的PDE求解方法研究

费芳芷，浙江大学

摘要：工业关键应用（如气动设计、结构优化）依赖复杂几何PDE求解，传统数值方法因计算成本高昂难以满足实时需求。神经网络凭借硬件加速的快速推理能力成为新兴替代方案，其中物理信息神经网络（Physics-informed Neural Network, PINNs）通过PDE残差约束将求解转化为训练问题，但仍存在训练耗时与泛化性局限。神经算子（Neural Operators）通过学习输入-输出空间的函数映射，实现对同类问题的泛化求解，兼具传统方法的大规模处理能力和神经网络的推理效率。然而现有神经算子面临几何适应性缺陷和多尺度建模失衡双重瓶颈。近期，我们团队开发了GFocal神经算子，通过创新的全局-局部协同架构突破现有技术瓶颈。

个人简介：费芳芷，浙江大学机械工程学院在读博士生，从事基于深度学习的PDE求解方法研究。2019年至2023年，就读于大连理工大学人工智能学院，在校期间多次获得学习优秀奖学金、校优秀三好学生。2023年9月，入学浙江大学机械工程学院。

报告题目：多源复杂数据可解释性分类研究

范自柱，上海电力大学

摘要：多源复杂数据广泛存在于诸多领域，如复杂工业过程数据、医疗领域中的多模态影像数据、基因数据及临床症状数据，金融领域的交易数据和客户信息数据等。如何对这些多源复杂数据进行高效且可解释性的分类，成为机器学习领域的关键问题之一。传统分类方法在面对多源复杂数据时，往往难以兼顾分类准确性与结果的可解释性。本研究聚焦于多源复杂数据可解释性分类，提出了基于多视角规则学习、迁移学习和多模态数据融合等策略的系列分类方法。它们能有效从高维、异质的多源数据中提取关键特征，并结合决策树等算法的可解释性优势，构建分类决策机制，为分类结果提供清晰、直观的解释路径。

个人简介：范自柱，教授，博士生导师。2003年毕业于合肥工业大学计算机软件与理论专业获工学硕士学位，2014年毕业于哈尔滨工业大学计算机应用技术专业获工学博士学位。2015年9月-2016年9月美国加州大学圣塔芭芭拉分校访问学者。主要研究方向为模式识别与机器学习理论及其在计算机视觉和智能电网等领域的应用。目前发表SCI检索期刊论文40余篇，出版专著2部，先后有2篇论文入选ESI高被引目录，授权国家发明专利10项。获省部级科研奖励4项，主持完成国家自然科学基金重大项目课题、面上项目等多项科研项目，井冈学者特聘教授，中国自动化学会大数据专业委员会委员。

报告题目：面向农业无人系统的安全趋优控制理论与应用

姚焱刚，安徽农业大学

摘要：智能无人系统作为低空经济的核心载体，在智慧农业、物流运输等领域展现出巨大应用潜力。随着无人系统应用场景不断向复杂非结构化环境拓展，具有动态异构特性的物理约束及其与性能指标约束的深度耦合效应，给农业无人系统安全和控制设计带来新挑战。本报告将从“物理受限下的安全控制→安全控制与性能预设协同机制→全局趋优保障”的全链条视角，汇报团队近年来在农业无人系统安全趋优控制理论研究及应用实践等方面的相关成果。在国家大力发展低空经济和乡村振兴战略背景下，以农业无人系统“强安全、高精准、低能耗”的核心需求为牵引，从底层控制设计角度，为农业无人系统安全精准控制提供理论和技术支撑，助力智慧农业产业升级和高质量发展。

个人简介：姚焱刚，安徽农业大学信息与人工智能学院副教授/硕士生导师，中国自动化学会、安徽省自动化/机器人学会会员，农业农村部农业传感器重点实验室/安徽省智慧农业技术与装备重点实验室学术骨干，具身农业无人系统团队负责人。主要研究方向为非线性受限系统安全控制，具身农业无人系统控制等。分别于2015年、2022年在合肥工业大学获得理学硕士、博士学位(师从檀结庆教授);博士毕业同年进入中国科学技术大学博士后流动站从事博士后研究(师从康宇教授)；于2023年10月以高层次人才加入安徽农业大学。主持/参与国家/省部级项目多项，公开发表SCI索引论文30余篇，其中，以一作/通讯在IEEE TCYB, TFS,TSMCA等中科院一/二区Top期刊发表SCI检索论文20余篇。

报告题目：因果驱动的稳健视觉表征学习

李薛恒，中国科学技术大学

摘要：在开放世界任务中，深度视觉模型的性能与鲁棒性常受到数据、算法及模型先验中潜在虚假关联的显著制约。为应对这一挑战，我们提出了基于因果干预的统一理论框架，旨在通过系统性地识别与消除各类混淆偏见，以学习到真正稳健、可泛化的视觉表征。该框架围绕“解耦”与“校准”两大策略，应对源于不同层面的偏差。在数据层面，我们采用特征解耦方法，通过干预性地构建训练域，显式切断目标与环境上下文之间的虚假相关性。在算法与模型层面，我们提出因果校准机制，借助反事实推理与后验分布校准，有效修正模型在训练过程中的结构性偏差与归纳偏差。因果干预框架能够显著提升模型的稳健性与泛化能力，并已应用于农业病虫害识别，多源遥感图像融合等领域，为可信智能系统，模型决策优化等方向提供了新的理论视角。

个人简介：李薛恒，中国科学技术大学研究生院科学岛分院硕士研究生。主要研究方向：因果推理，害虫识别，遥感影像融合。硕士期间参与5篇学术论文工作，有关研究成果已发表于IEEE TGRS, ACM MM（第一作者），并投稿于Pest Management Science, AAAI等领域内顶级期刊与会议。

报告题目：基于渐进解的PDE求解方法研究

王倩，合肥工业大学

摘要：求解偏微分方程是物理学和工程学中的重要挑战，特别是在处理非线性和含源汇项的渗流方程时，常常面临高计算成本以及复杂几何形状处理的困难。传统数值方法在这些问题中常常存在局限，而基于深度学习的物理信息神经网络（PINNs）则为此类问题提供了创新的解决途径。为进一步提升深度学习方法在偏微分方程求解中的应用效果，我们首先提出了一种基于渐进解的近似方法。通过引入渐进网络，该方法能够有效捕捉方程的渐近行为，并通过校正网络对初步解进行精细调整，从而高效求解非稳态可压缩渗流方程，确保解在满足边界条件和物理约束的同时具有较高的精度。尽管渐进解为复杂问题提供了良好的初步解，但传统PINN方法在实际应用中仍然面临收敛速度较慢和解的不稳定性等挑战。为了解决这些问题，我们进一步提出了径向拉普拉斯渐进解网络。该方法通过结合径向拉普拉斯调制因子，为不同空间位置赋予不同的权重，从而显著加速了收敛过程，并有效提高了解的精度。在此基础上，为进一步提高解的精度和计算效率，我们还提出了一种基于渐进解的参数化解析方法。该方法融合了渐进网络和校正网络的优势，通过参数化解析解的形式进行表示，从而能够高效、准确地求解含源汇项的渗流方程。实验结果表明，所提出的参数化解析方法在计算速度上明显超过传统数值方法，同时保持了解的高精度，充分展示了该方法在偏微分方程求解中的巨大潜力与优势。

个人简介：王倩，于2022年9月入学合肥工业大学，合肥工业大学数学学院在读博士生三年级，主要从事深度学习的PDE求解与反演方法研究以及油气大数据技术。