胡振中

于清华大学土木工程系先后获得工学学士和工学博士学位。

现任清华大学深圳国际研究生院副教授,兼任中国图学学会理事、BIM专委会副主任等职务。

主要研究方向为土木与海洋工程信息技术、建筑与城市信息模型(BIM/CIM)、数字海洋和数字防灾技术。

教授课程4门:工程硕士数学、土木与建筑工程CAE、建筑信息模型(BIM)技术基础、工程计算机制图。

  • 置顶

    课题组将招收博士硕士若干名和博士后2名。

    关于博士硕士招生有以下三点要求:1)应具有工程学科背景,并对信息技术有浓厚兴趣,即将或已取得相关的学士或硕士学位;2)应具有较强的技术背景,包括但不限于BIM/GIS、物联网、数字孪生、人工智能等方面的研究经验,优先考虑在算法、大型软件系统或Web/App 开发方面有研究或实践经验的申请者;3)应具有较高的自我激励能力,良好的英语书面和口语沟通能力,以及独立工作能力。

    关于博士后招聘还应满足以下两点:1)年龄35岁以下,获得博士学位3年以内;2)研究方向为土木工程信息技术、海洋环境信息建模及应用、数据驱动知识发现及应用等相关方向。(注:博士后申请者经过初步筛选后需进行面试,并作半小时学术报告,包括博士期间的主要研究工作内容及未来博后工作设想。)

    有意向者请将个人简历、成绩单及工作设想等材料发送至邮箱:hu.zhenzhong@sz.tsinghua.edu.cn。详情可查看课题组博士硕士招生课题组博士后招聘

  • 2021-11-30

    Discharge of treated Fukushima nuclear accident contaminated water: macroscopic and microscopic simulations已发表在National Science Review上,这是对课题组同学和老师们厚德载物、严谨致学的充分肯定!NSR官微推送优质高效,体现了我国卓越领军期刊的超一流水平!感谢清华大学海洋工程研究院院长张建民院士的指导与支持,感谢编辑部和评阅人给予的高度评价!

    这项研究成果对于污染物长期扩散的预测、核废水排放计划的合理应对以及后续放射性物质浓度的监测具有显著意义。未来,我们将继续深化研究,进一步探讨判断排放核废水这一行为对于整个海洋和人类长远的影响,为国家乃至全球应对核废水危机提供重要的决策支撑!

    注:National Science Review,2021年的影响因子为17.275,属于顶刊,卓越计划领军期刊。详情请见视频

  • 2021-11-16

    A Data Integration and Simplification Framework for Improving Site Planning and Building Design已发表于IEEE Access期刊。

    本文是课题组在建筑工程信息交换领域的最新研究成果。在建筑全生命期中,选址规划与建筑设计是两个密切相关的阶段。然而,当前两阶段的数据交换仍存在一定障碍。选址规划信息通常基于GIS管理,而建筑设计结果一般以BIM呈现。数据不互通使得项目参与方难以在一个统一的平台对规划设计结果进行评估。针对这一问题,本文提出了面向选址规划与建筑设计的跨阶段数据集成与轻量化框架。通过开发多尺度数据集成模型,本研究实现了多源、多尺度、多格式的BIM、GIS数据集成。随后,本文开发了面向建筑模型的几何优化算法,实现不同LOD的轻量化模型生成,以支持不同尺度下的模型显示需求。最后,本文开发了Web端可视化平台,支持多尺度下的规划与设计成果融合浏览。本研究为整合选址规划和建筑设计成果提供了一种可行的方法,有望提升协同设计流程工作效率。

    注:IEEE Access,是工程技术领域的重要期刊,属于SCI期刊。研究成果得到国家自然科学基金的资助。

  • 2021-11-10

    Deep Learning-Based Instance Segmentation for Indoor Fire Load Recognition 已发表于 IEEE Access 期刊。

    该文是使用基于深度学习的实例分割来自动检测室内火荷载信息。准确的火荷载(可燃物)信息对于建筑物的安全设计和韧性评估至关重要。传统的火荷载采集方法相对耗时、繁琐、易出错,且无法适应动态变化的室内场景。因此,本研究提出了一种基于计算机视觉的方法,利用基于深度学习的实例分割来自动检测室内火荷载信息。首先,室内元素根据其材料组成分为不同的类别。接着,开发具有实例注释的室内场景图像数据集。最后,基于Mask R-CNN深度学习模型来检测图像中的火载荷信息。实验结果表明,模型达到了满意的准确度,该方法也具有高效性。该研究的贡献包括以下三点:1)基于实例分割的室内环境自动火荷载识别的高精度和高效率新方法;2)在相对较小的室内图像数据集中进行深度学习模型的培训技术; 3)带有室内火荷载标注的图像数据集。尽管实例分割已有较多应用,但作为将其用于自动室内火荷载识别的开创性研究,本研究将为建筑环境的自动火荷载估计和韧性评估奠定基础。

    注:IEEE Access,是工程技术领域重要的SCI收录期刊。研究成果得到国家自然科学基金的资助。

  • 2021-10-14

    基于BIM和数据驱动的智能运维管理方法》已发表于清华大学学报(自然科学版)期刊。

    该文是课题组对基于BIM的智能运维系列研究成果的总结。BIM技术的普及提升了建筑运维管理的效率。然而,基于BIM的智能运维仍在数据获取、管理与分析方面存在挑战。本研究结合BIM和数据驱动技术,研究智能运维管理的方法,包括通过机电设备逻辑关系的自动生成,实现对运维BIM信息的扩充增强;通过提出数据立方模型,实现基于BIM的动态运维信息管理;以及结合聚类、频繁模式挖掘与神经网络等多种机器学习方法,实现对上述运维数据的挖掘分析,辅助智能运维决策。研究成果有效地减少了运维人员工作负担、提高了运维数据价值,有助于提升运维管理智能化水平。

    注:清华大学学报(自然科学版),是工程技术领域的重要期刊,属于EI期刊。研究成果得到国家自然科学基金和深圳市科技研发基金资助。