置顶-1

课题组将招收博士、硕士和博士后，长期有效。

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。

置顶-2

2021年11月26日，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、核污染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污染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污染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。详情请见介绍视频。

2026-02-20

论文Multi-task deep learning-based failure diagnosis for tubular joints: Automated identification and description generation已发表在期刊Advanced Engineering Informatics上。

本研究针对海上平台和桥梁中管状接头这一关键且易损的部件，提出了一种多任务深度学习模型，用于同时进行管状接头的失效识别和描述生成。传统的失效检测方法费时费力，而现有的智能方法往往仅关注单一任务或单一模态，无法充分利用多模态数据，且难以捕捉共存的失效模式，限制了更全面的诊断评估。为克服这些问题，本研究构建了一个包含141个实验项目、409个失效接头的多模态数据库，涵盖图像、文本描述和组件级标签，并通过数据增强扩展至1227张图像和3681个句子。所提出的模型采用预训练编码器提取图像特征，使用多标签分类解码器进行失效识别，并结合基于注意力机制的图像描述生成解码器进行失效描述生成。实验结果表明，该模型在BLEU-4指标上达到76.70，mAP为0.9467，优于单任务基准方法，且在真实工程图像上的验证展示了初步的迁移能力，展示了多任务学习框架在自动化失效诊断中的潜力。

注：Advanced Engineering Informatics属于Q1区工程技术领域Top期刊，2025年影响因子为9.9。论文第一作者为南方科技大学博士生张文浩，南方科技大学侯超为通讯作者。研究成果得到国家自然科学基金、国家重点研发计划以及深圳市科技计划项目的资助。

2026-02-12

论文Deep learning-based realtime multiload response prediction and inverse analysis of offshore bridges已发表在期刊Engineering Structures上。

该研究针对跨海桥梁处于复杂海洋环境、结构分析设计与监测难度大、传统有限元时程分析及非线性模型更新计算量高且耗时长的问题，提出一种基于深度学习的跨海桥梁响应预测器 DeepOBP。该模型将结构特性与海洋环境下的耦合动力荷载统一建模，可在毫秒级实现高精度的非线性动力响应预测。进一步构建可微结构反演框架 Inverse DeepOBP，将代理模型与基于梯度的优化相结合，用于结构健康监测中的快速损伤识别与模型校准。实验结果表明，DeepOBP 在正常工况与多灾耦合工况下均表现出较高精度，决定系数 R² 分别达到 0.93 和 0.92。Inverse DeepOBP 相比启发式算法的代理模型更新与非线性有限元模型更新，分别实现超过 10 倍与 10⁴ 倍的加速，同时各参数识别相对误差控制在 7% 以内，为高效结构分析与实时监测提供了可行工具。

注：Engineering Structures属于Q1区工程技术领域期刊，2025年影响因子为6.4。论文第一作者为硕士生孙竹妤，郭宇韬老师为通讯作者。研究成果得到国家重点研发计划项目和深圳市科技计划项目的资助。

2026-02-11

ROM-PINN: A physics-informed neural network with reduced-order modelling for nonlinear structural response prediction论文已发表在期刊Structures上。

本研究针对非线性结构时程有限元分析计算代价高、纯数据驱动神经网络缺乏物理一致性的问题，提出降阶模型物理约束神经网络（ROM-PINN）。方法将非线性降阶动力平衡方程作为物理约束嵌入网络训练，并以“虚拟力”表征学习非线性效应；同时结合降阶投影与面向传感器的部署策略，使模型能够在有限观测条件下，对高维结构系统实现高效且物理一致的响应预测。以海上跨海桥梁为算例，ROM-PINN可实现多传感器响应的准确预测，并较纯数据驱动基线取得显著提升：均方误差（MSE）降低10.0%，物理一致性指标（PR）提升83.7%；在10%测量噪声下，MSE进一步降低23.3%。结果表明该框架适用于大尺度非线性结构的快速分析与在线监测等工程场景。

注：Structures属于Q1区工程技术领域期刊，2025年影响因子为4.3。论文第一作者为硕士生孙竹妤，郭宇韬老师为通讯作者。研究成果得到国家重点研发计划项目和深圳市科技计划项目的资助。