基于卷积算子压缩的非线性物理降阶模型

基于patch自编码器与神经ODE构建分布式降阶模型，研究二维Kolmogorov湍流中的相对周期轨道与局域化recurrences。

针对介质阻挡放电中相同位置连续放电的重新点燃动力学，构建物理降阶模型，无需机器学习即可实现时间预测。

针对输运主导系统，提出结构感知数据驱动降阶模型（ROM），利用 kinetic defect 公式分离特征输运与激波流形上的熵缺陷，提升低维线性子空间对移动前缘和激波的表征能力。

对比自编码器与基于经典数值分析的简洁扩散映射（PDM）方法在Navier-Stokes湍流降阶建模中的性能，为数据驱动流场重建提供方法论参考。

提出信息极限阶梯理论框架，量化有限信息条件下降阶模型的可预测性边界，涵盖无记忆/增记忆轨迹预测、事件预测、稳态统计与生成律。