张鑫磊,中国科学院力学研究所特别研究助理，主要研究方向为数据驱动湍流建模。主持国家自然科学基金委青年基金项目一项，并获博士后基金一等资助，共发表SCI论文19篇，包括《J. Comput. Phys.》，《AIAA J.》等流体力学领域重要期刊。

　　现有湍流模型，对于带有分离、相变等现象的多流态复杂流动，存在模型形式不完备的问题，会导致较大的预测不确定性，直接影响航空航天及水下重大装备研发设计的可靠性。鉴于这一背景，张鑫磊发展了湍流数据同化和机器学习湍流建模方法，克服了湍流特征维度高和数据样本小的困难，并应用于湍流噪声、空化等重大工程应用中的复杂流动问题。他的主要学术创新成果包括：

　　（1）针对湍流数据同化的不适定问题，张鑫磊提出了基于贝叶斯理论的正则集合卡尔曼方法，实现了物理约束下的多源异构湍流数据同化。该方法不仅能够施加不同的物理约束提高反演场的准确性，还可以考虑多源数据实现湍流多物理场重构。该方法被应用于湍流噪声问题中，通过结合近场速度和远场噪声数据，反演推断湍流的时空积分尺度，提升了远场噪声的预测精度。研究成果为广义约束下的湍流数据同化提供了具有应用前景的实用工具，被瑞典皇家理工大学S. Larsson教授评述为“复杂系统性能评估的主要标准案例（main benchmarks）之一”。

　　（2）针对湍流数据样本少的问题，张鑫磊提出了与雷诺平均方程耦合迭代的小样本机器学习方法，构建了基于稀疏含噪数据的端到端机器学习框架。该框架结合了集合方法、伴随方法和神经网络等先进人工智能算法，不仅显著提升了湍流模型的训练效率和泛化能力，而且突破了传统机器学习技术过于依赖数据的限制。该方法被应用于周期山状流、翼型绕流等经典流动中，实现了基于稀疏多源异构数据源的机器学习湍流建模，并提升了所训练模型的鲁棒性和泛化性。所提出的小样本学习框架有望成为机器学习湍流建模的实用方法，相关工作被宾州州立大学X. Yang教授评述为“机器学习在雷诺平均模型应用中引人注目的案例（notable example）”。

　　（3）针对空化的压缩性问题，提出了基于边界层厚度修正的数据驱动空化湍流模型，揭示了经典空化压缩性修正的原理与局限，利用构建的空化湍流模型进一步考虑了压缩性对边界层厚度的影响，提高了边界层内流场脉动量的预测精度。研究成果不仅提出了原创性的高精度空化湍流模型，而且阐明了经典空化模型修正诱导产生回射流的机制，被德国贝塞尔研究奖得主M. Dular教授评价为“评估并证实了（justified）”经典空化模型修正的作用。

　　张鑫磊不仅在流体力学的前沿基础研究方面开展了深入工作，还从事潜艇噪声等重大工程应用方面的研究，参与了科工局的国家重点工程和国家数值风洞工程项目，服务于国家重大战略需求！