2026年7月4日，应西北工业大学冬青学会魏鹏飞副教授邀请，德国多特蒙德工业大学可靠性工程教席高级研究员Marcos Valdebenito博士以《Towards Fully Bayesian Model Updating》为题对贝叶斯模型更新理论进行了两个小时的专题报告。

报告开篇系统梳理了贝叶斯模型更新的工程应用背景与核心数值挑战，报告人从真实物理系统的不确定性量化前向问题开始，引入到能够解决反问题的贝叶斯模型更新方法。报告人指出，贝叶斯模型更新在工程领域被广泛用于基于含噪实验测量识别计算模型的未知参数，是修正仿真模型的重要概率工具，但从数值实现角度看，该问题求解难度较高，求解贝叶斯反问题需要反复调用计算模型，以搜寻能生成与观测数据一致响应的参数取值，而大量重复的模型计算会产生极高的计算开销，在涉及高保真模型时往往难以承受。

在此基础上，报告聚焦基于代理模型的贝叶斯模型更新问题，重点解读了基于高斯过程回归的一致性概率更新框架。报告人表示，为缓解计算成本，现有研究常采用代理模型（尤其是高斯过程回归 GPR）替代原高保真模型。高斯过程回归既能给出系统响应的预测结果，也能对近似误差进行概率化描述，但在多数已有方法中，这一额外不确定性源并未在贝叶斯框架内得到自洽统一的处理。本次报告介绍的研究提出了一套完整的贝叶斯更新范式，主要内容包括：1）将高斯过程的预测不确定性显式传播至似然函数与模型证据的计算过程中，实现代理模型误差在贝叶斯更新中的一致量化；2）方法框架支持同步识别测量噪声的统计特性，无需预先人为设定噪声参数；3）引入主动学习策略自适应构建代理模型，以模型证据估计的不确定性为控制目标，迭代优化代理模型的精度。整套方法构建了统一的概率更新框架，实现了代理模型的不确定性、测量噪声与自适应学习在贝叶斯体系下的联合处理，并通过结构动力学典型算例对所提方法的应用效果进行了详细演示。

整场报告逻辑严谨、内容前沿，讲述清晰，报告人以深厚的学术功底和直观的算例解析，让在场师生深入理解了基于高斯过程的贝叶斯模型更新从问题动机到前沿方案的完整技术脉络。现场互动环节中，师生们围绕理论观点、技术细节等问题积极提问，报告人逐一细致解答，氛围热烈。

讲座专家简介

Marcos Valdebenito博士，现任德国多特蒙德工业大学可靠性工程教席高级研究员。他本科与硕士阶段就读于智利圣玛丽亚大学，后赴奥地利因斯布鲁克大学深造，取得土木工程专业博士学位。研究方向涵盖计算力学领域的不确定性量化、结构可靠性、随机动力学、贝叶斯更新、代理建模及基于可靠性的设计优化，累计发表期刊论文 100 余篇。Marcos Valdebenito博士曾于 2016 年荣获 K.J. 巴特奖，并获得亚历山大・冯・洪堡基金会科研奖学金资助。目前，他担任《Computers & Structures》《Structural Safety》与《Machine Learning for Computational Science and Engineering》三份国际学术期刊的编委会委员。