为推进智能制造领域多学科交叉融合，助力研究生拓宽科研视野，赋能新质生产力培育，由智能制造技术教育部重点实验室主办的智能制造系列学术论坛·研究生学术分享会于2026年10月28日下午在科技楼521开展。次活动由赵林爽老师主持，特邀陈健林、颜楚人、赵崛三位研究生依次作专题成果汇报。

第一位汇报人陈健林同学，汇报题目为《多模态融合的研究进展与实现思路》。陈同学针对现有方法难以充分利用音频、视觉等多模态上下文信息的问题，他提出基于冻结主干的轻量级多模态融合框架，在编码器特定层间插入适配器，对各模态先行门控注意力计算，再通过交叉注意力实现跨模态信息融合，有效利用上下文信息。同时，他基于语言学文献对讽刺定义进行细分，构建类型分支与二分类分支协同训练框架，以对比学习增强类型区分能力，并将类型信息作为全局上下文对二分类特征加权调制，提升模型在分布偏移下的鲁棒性。实验表明，完整流程结合微调可使模型在新数据集上由接近随机水平恢复至71%的准确率，验证了模型的泛化能力。赵林爽老师就多模态与大模型融合、讽刺类型细分的可行性等问题与陈健林展开交流。

随后，颜楚人同学带来题为《结构阻尼比识别的离散性机理分析与讨论》的汇报，分享结构振动阻尼比识别方向的研究。针对受迫振动下不同荷载导致阻尼比识别结果离散、不收敛的问题，他结合虎门大桥涡振等典型工程案例，阐明外荷载对阻尼比识别的显著影响，并梳理时域、频域及实时跟踪等现有识别方法及其假设前提。在此基础上，他提出“结构本体阻尼比”与“表观阻尼比”概念，厘清识别结果中结构真实耗能与测量、算法误差的构成。为此，他提出融合荷载识别的阻尼识别流程，利用卡尔曼滤波估计荷载时程并迭代更新，实现阻尼参数与荷载时程的联合收敛。单自由度算例表明，融合位移信息后识别误差由百分之十几降至5%以内，有效提升阻尼比识别精度；针对未知荷载工况，他进一步提出荷载估计—阻尼反演—参数更新的迭代流程，削弱荷载影响。赵林爽老师就荷载获取方式、未知荷载下识别的可行性等与颜楚人交流，颜楚人回应可先在算法中识别荷载，冲击类荷载则需单独处理。

第三位汇报人赵崛同学，在曾涛教授指导下，作《基于机器学习的三维编织复合材料多尺度建模与多轴非线性损伤分析》的研究汇报，分享三维编织复合材料多尺度建模与非线性损伤分析研究。该工作聚焦三维编织复合材料在宏观、细观、微观多尺度下的复杂力学行为。针对传统均匀化方法难以表征微观机体塑性等非线性行为、直接嵌套求解计算开销大的问题，他提出基于机体塑性的机器学习代理本构多尺度框架：离线部分通过多种加载获取样本并均匀化，训练代理本构后回带到纱线层面完成组装迭代求解。该代理本构采用状态更新与残差预测结构，扣除弹性应力、仅预测非线性部分，并通过加权范数项约束保证能量不超界。实验表明，代理本构预测精度超过0.92，与传统有限元及文献结果相比，峰值强度预测基本一致。报告还分析了不同粘滞系数下模型的收敛性及多轴响应规律，指出考虑纱线塑性会使预测强度偏大。赵林爽老师就代理模型相较传统方法的优势与汇报人交流，赵崛介绍其可降低计算成本，并能从微观角度表征机体缺陷等非线性信息。

本次分享涵盖多模态情感计算、结构振动监测、复合材料多尺度建模等交叉领域，汇报人展示了阶段性科研成果，现场师生互动提问、思辨答疑，学术氛围浓厚。

本次活动为研究生搭建了成果展示与学术交流的平台。通过问答研讨，帮助同学们梳理研究思路、拓宽学术视野。参会师生均感到收获良多，后续将持续开展学术交流，促进思想碰撞，推动科研工作提质增效。