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教研系列副教授。

兼任中国海洋发展研究会理事、中国图学学会BIM专委会副主任、Automation in Construction编委等。

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

教授工程硕士数学、土木与建筑工程CAE等4门课程。

  • 2025-04-12

    2025-04-12

    论文AI-based prediction of seismic time-history responses of RC frame structures considering varied structural parameters 已发表在 Journal of Building Engineering 期刊上。

    文章提出了一种用于智能地震响应预测的端到端框架——ISRPnet。ISRPnet 包含一个用于将钢筋混凝土框架结构离散化为一系列静态特征的结构参数模块，以及一个用于编码地震荷载并自回归预测地震响应的编码器 - 解码器架构。该模型在通过经过验证的基于纤维的有限元模型生成的 16,544 个案例的数据集上进行训练。ISRPnet 在常见地震和罕见地震中均表现出色。对于常见地震，ISRPnet 能够快速且高度精确地预测时变响应。对于罕见地震，峰值位移预测仍保持准确。通过对比实验分析了物理损失的优越性以及门控循环单元相对于长短期记忆单元的优势。使用超出训练数据的未见过的地震波进行验证，表明该框架具有强大的泛化和外推能力。所提出的模型实现了对一类钢筋混凝土框架结构全过程地震响应的高效替代计算。

    注：Journal of Building Engineering，是工程技术领域期刊，属于Q1区SCI期刊，2024年的影响因子为6.7。论文第一作者为2022级硕士生葛康，清华大学土木系助理教授王琛为通讯作者。研究成果得到国家自然科学基金项目和清华大学深圳国际研究生院跨学科研究与创新基金项目的资助。

  • 2025-03-31

    2025-03-31

    《面向新时代强交叉人才培养的土木与建筑工程CAE课程建设》已在中国知网网络首发于《高等建筑教育》期刊上。

    在当前高速发展的经济和科技环境下，土木与建筑工程行业正面临着新的挑战和机遇。为了适应新时代的需求，培养具备交叉学科知识素养和综合能力的人才，已成为土木与建筑工程领域教育改革的重要方向之一。在分析新时代土木与建筑工程领域对人才需求的基础上，探讨了如何通过计算机辅助工程（CAE）培养强交叉人才，并总结了新时代土木与建筑工程CAE课程建设和改革的基本经验。

    注：本人为论文第一作者，作者还包括课题组成员朱时艺和清华大学土木系防灾减灾所副研究员林佳瑞。

  • 2025-03-30

    2025-03-30

    A self-learning dynamic path planning method for evacuation in large public buildings based on neural networks在谷歌学术上他引次数达到100次。

    疏散路径规划对公共建筑内人员安全、高效的疏散具有重要意义。现有的计算机模拟方法可以进行疏散分析，为应急教育和管理提供一个生动的虚拟环境。然而，高效的疏散路径规划方法仍面临分析模型生成的挑战，缺乏动态环境下的实时分析方法。本文提出了一种基于神经网络的大型公共建筑疏散规划动态路径规划方法。首先，提出了一种具有简化而充分信息的疏散分析模型的自动建立过程。在此基础上，提出了一种路径生成算法，并给出了一种评估过程来生成策略神经网络的训练集。初级策略神经网络经过初步训练后，进入自学习迭代过程。最后，该方法嵌入了一个动态算法来模拟建筑物中所有居住者之间的相互影响。该方法以实际大型公共建筑为研究对象，对神经网络进行训练，为多场景下人员逃生和管理者设计疏散策略提供快速可行的疏散指导。测试结果表明，该方法的运行速度比现有软件和传统搜索算法快8-10倍。

    注：Neurocomputing，属于Q2区工程技术领域期刊。本人为论文通讯作者。

  • 2025-03-21

    2025-03-21

    A Multi-Factor-Fusion Framework for Efficient Prediction of Pedestrian-level Wind Environment Based on Deep Learning 已发表于 IEEE Access 期刊。

    对行人层面的风环境进行高效且准确的评估对于维持健康和安全的城市生活环境至关重要。数值模拟，例如计算流体动力学和多尺度建模技术，常用于风环境分析。然而，这些方法计算量大且耗时，尤其是在处理城市景观的复杂性时。本研究提出了一种新颖的多因素融合（MFF）框架，该框架利用深度学习技术。此框架整合了图卷积网络和长短期记忆网络，以提取和融合多种因素，并创建一个端到端的神经网络模型，能够直接预测风场。通过避免网格划分和迭代计算，该框架显著提高了风环境分析的效率。此外，利用多尺度模拟数据对模型进行训练并校正预测结果，确保了最终结果的准确性。这种创新方法有可能通过在效率和准确性之间取得平衡，彻底改变行人层面风环境的预测。

    注：IEEE Access，是工程技术领域重要的SCI收录期刊。本人为论文第一作者和通讯作者。研究成果得到国家重点研发计划项目、广东省基础与应用基础研究基金和国家自然科学基金的资助。

  • 2025-03-18

    2025-03-18

    论文Intelligent BIM Searching via Deep Embedding of Geometric, Semantic, and Topological Features已发表在Buildings期刊上。

    建筑信息模型（building information models，BIM）作为建筑物的数字表示，包含几何、语义和拓扑特征（GSTF），以表达建筑构件的视觉和功能特性及其相互连接，从而构建建筑系统。然而，BIM的检索往往只注重语义特征，而忽略了几何和拓扑特征，使得BIM中丰富的知识难以发现和重用。因此，本研究提出了一种新的智能BIM搜索方法，即通过深度学习（DL）嵌入GSTFs。首先，开发了从BIM中提取GSTF和从搜索查询中识别所需GSTF的算法。然后，通过 DL 模型嵌入不同的 GSTF，创建 BIM 或搜索查询的向量表示。最后，采用基于相似度的排序来查找与查询高度相关的 BIM。实验表明，该方法的检索效率是人工检索方法的780倍，比传统方法的效率高出 4%至 6%。本研究通过提供一种更全面、准确和高效的方法来发现和重用BIM中丰富的知识，从而促进BIM搜索领域的发展，最终有助于更好地进行建筑设计和知识管理。

    注：Buildings，是工程技术领域期刊，属于Q2区SCI期刊，2024年的影响因子为3.1。论文第一作者为清华大学土木工程系硕士生黄品皓，清华大学土木系防灾减灾所副研究员林佳瑞为通讯作者。研究成果得到国家重点研发计划项目和国家自然科学基金项目的资助。