2025年10月10日至12日，第五届工程中的数据驱动计算与机器学习国际会议（The 5th International Conference on Data-Driven Computing and Machine Learning in Engineering, DACOMA-25）在北京成功举办。本次会议作为第28届北京科技交流学术月的开幕活动，由北京市科学技术协会指导，中国力学学会、北京力学会、清华大学联合主办，北京大学、北京理工大学、同济大学等十余所国内外高校及科研机构共同协办，共吸引270余位海内外学者参会。

会议开幕式于10月11日上午举行。北京市科协主席李静海教授代表北京市科协致辞。他强调，北京市科协将持续搭建交流平台，支持市属学会发展，加强与全国学会合作，服务好在京高校，加强与国际组织、科研机构等各方的交流，汇聚科技创新力量。中国力学学会理事长、中国科学院力学研究所何国威研究员代表主办方致辞。他回顾了学会自钱学森、周培源等先辈于1957年创立以来的使命，以及凝聚超过五万名会员推动力学发展的历程。他指出，在大数据与人工智能时代，数据驱动技术为工程领域带来了空前机遇与挑战。他鼓励与会者珍惜此次机会，深入交流，共同开拓工程科学前沿。大会联合主席、德国国立包豪斯-魏玛大学Timon Rabczuk教授代表国际学术界致辞，向参会代表介绍了会议的基本情况。开幕式由北京市科协党组书记丁勇和大会联合主席、清华大学庄茁教授共同主持。

DACOMA是国际数据驱动与智能计算领域的重要学术品牌，于2019年由国内外知名高校及科研机构联合发起，至今举办四届。第五届会议（DACOMA-25）以“数据驱动与人工智能赋能工程创新”为主题，邀请全球67位计算力学与AI领域权威学者作大会报告，其中8个大会特邀报告，59个专题邀请报告，展现跨学科融合的最新研究成果，为国际学术交流与产业创新搭建高水平台。

本次会议特邀中外院士、国际学会领袖及领域权威专家，围绕AI基础理论、湍流模拟、结构优化、偏微分方程求解等方向作大会报告。

欧洲科学与艺术学院院长Klaus Mainzer教授以《AI在科学和工程中的未来：从计算基础到新兴技术》为题，解析数字机器学习、类脑神经形态AI与量子AI的技术优势与局限，提出“混合AI技术”发展方向，强调通过逻辑、数学、物理与工程科学的跨学科研究，构建高效可持续的智能计算体系，并结合多部著作成果阐述AI发展底层逻辑。

何国威研究员以《数据驱动的大涡模拟用于湍流流动的时准预测：湍流建模与形状优化》为题，介绍三项核心成果——数据驱动随机强迫模型（精准预测流场时空相关性，解决传统模型过度预测问题）、增才学习壁模型（克服机器学习 “灾难性遗忘”）、基于LES的形状优化（用正则化集合卡尔曼方法解决湍流混沌导致的梯度爆炸问题），并展示该技术在水下航行器湍流噪声预测中的应用。

Timon Rabczuk教授在《超越残差：基于能量的偏微分方程求解方法》报告中，指出物理信息神经网络（PINNs）的残差最小化缺陷，提出“深度能量法（DEM）”（直接最小化能量泛函，确保热力学一致性与边界条件满足），并延伸出“变分物理信息神经算子（VINO）”，突破成对数据集依赖，验证其在固体力学问题中的性能。

庄茁教授以《机器学习与力学建模赋能大型复合材料飞机机翼可变刚度结构设计》为题，提出通过纤维曲线铺丝路径与铺层角度设计复合材料变刚度层板，建立基于人工智能的非均匀各向异性材料连续体板壳单元，发展机器学习跨尺度协同进化算法，实现大型飞机高维/连续-离散混合变刚度复合材料机翼结构的高效优化与性能提升。

北京大学唐少强教授以《张量分解：若干最新研究进展》为题，分享三项进展——证明泊松方程双模解中PGD与SVD选模顺序差异及预处理校正方法、提出多层VMS-TD算法（高效求解增材制造中的移动热源热传导问题）、用TD求解含形状参数的单胞（RUC）数值均匀化问题，并基于此完成结构拓扑优化，展现 TD 在高维参数空间问题中的优势。

北京理工大学陈鹏万教授以《连续-非连续数值流形（NMM）开发及其在材料断裂破碎模拟》为题，系统展示了数值流形方法（NMM）的技术突破与应用成果。团队构建了基于“数学-物理双覆盖系统”的流形元软件框架，大幅降低了位移场求解对传统网格的依赖性。创新性提出“三维进入块理”算法，简化三维接触搜索并优化计算效率；结合“裂纹尖端追踪”与“波形跟踪法”精准模拟动态裂纹扩展过程，同时建立粘弹塑性材料本构模型以刻画材料复杂力学行为。该软件成功应用于混凝土构件断裂、高聚物填充复合材料力学性能预测、颗粒堆积体力链传递等准静态断裂问题，也应用于了碰撞、冲击等动态破碎过程的连续-非连续模拟。

大连理工大学阎军教授以《基于FCA的大规模点阵结构弹塑性等效性质快速预测》为题，介绍了创新非线性等效性质预测方法——通过引入基于有限元-簇分析的数据驱动降阶策略，将满足自平衡应力特征的相互作用矩阵与最小余能原理相结合，实现杆单元模型的高效弹塑性增量求解。该方法同时采用物理降维与聚类降阶，显著降低了含大规模细长构件点阵结构的计算复杂度，在保证预测精度的同时，极大提升了弹塑性等效性质的分析效率。

北京理工大学廉艳平教授以《一种用于非线性固体力学问题的离散学习方法》为题，提出了“离散学习方法（DLM）”——针对数据驱动机器学习算法中存在的高时空复杂度难题，建立了解空间和材料域双离散化概念以生成小样本低维子数据集，基于此训练了多模式、小样本局部降阶高斯过程回归（GPR）模型，实现预测精度较传统GPR提升了1-3个数量级，可实时处理千万自由度极端变形问题（单机1分钟内完成时空预测）。

除大会报告外，会议设置131个专题报告，覆盖 “数据驱动计算力学”“机器学习与结构优化”“多尺度建模与先进材料”“工程问题实时预测” 等方向，采用“报告研讨 + 海报展示”形式，促进与会者之间深度互动。

会议期间，特设的期刊展台现场发放《数据驱动计算与机器学习精选文章》宣传册，系统汇编了学会期刊近年来发表的相关领域重要成果，与会议主题高度契合且集中展现了该领域的前沿进展，受到与会代表的关注和好评，期刊和会议的联动效果显著。

本届DACOMA-25会议的成功举办，不仅有效拓展了数据驱动和机器学习在工程中的前沿应用，更凸显出中国力学学会在主动引领学科转型、培育新兴增长点方面的关键作用。会议聚焦AI与力学深度融合所催生的新范式、新方法，通过搭建高水平国际交流平台，汇聚全球智慧、共享创新成果，有力推动了力学学科从传统建模向智能计算的前沿跨越，彰显了北京作为国际科技创新中心的集聚与引领作用，为我国在智能化时代引领力学新兴交叉方向注入了强劲动力。