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党委副书记、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。

  • 2026-04-16

    2026-04-16

    论文ST-SRNet: A deep learning framework for seismic response prediction of subsea tunnels已发表在期刊Tunnelling and Underground Space Technology上。

    海底隧道作为近海与远海关键基础设施，其面临的地震灾害风险极高。传统数值方法计算耗时，难以满足复杂海洋环境下的实时预测需求。为此，该研究提出了一种融合高精度有限元模拟与深度学习的快速预测方法。研究建立了考虑双向（水平与垂直）地面运动及流体动水压力效应的二维有限元模型，构建了较为全面的地震响应数据库。在此基础上，开发海底隧道地震响应网络（ST-SRNet），将一维卷积、注意力机制、长短期记忆网络及特征线性调制模块有机结合，实现对多个监测点地震响应的高效、精准预测。结果表明，模型具有较高精度，决定系数均超过 0.95，峰值相对误差控制在 10%以内，表现出良好的泛化能力。工程案例进一步验证了该方法的稳健性与适用性，可为海底隧道灾害评估、结构监测与实时预警提供有效支撑。

    注：Tunnelling and Underground Space Technology属于Q1区工程技术领域Top期刊，2025年影响因子为7.4。论文第一作者为硕士生陈一木，郭宇韬老师为通讯作者。研究成果得到深圳市科技计划项目的资助。

  • 2026-03-26

    2026-03-26

    论文Typhoon-Induced Risk Evolution in Wind Farms: From Disaster-Inducing Factors Identification to Domino Effect Assessment已发表在期刊Reliability Engineering & System Safety上。

    针对南海复杂海域台风引发技术事故的难题，本研究提出了一种致灾因素分析与风险评估框架（DIRE）。该框架整合了两个模块：灾害诱因提取模型（DIFEM），通过混合物理-数据融合分析识别导致风机损坏的关键环境驱动因素；分层分析多米诺评估系统（HADES），实现了系统化的危害分类、层级结构化、概率评估和后果评估。通过对南海五起台风致灾事件的分析，本研究不仅识别了导致风力涡轮机损坏的共性及特异性致灾因素，还量化了级联灾害风险。本研究的成果为风电场的防灾减灾提供了可靠的数据和决策支持。

    注：Reliability Engineering & System Safety属于Q1区工程技术领域Top期刊，2025年影响因子为11.0。论文第一作者为博士生李一林、博士后李宜鸿，本人为通讯作者。研究成果得到国家重点研发计划、广东省基础与应用基础研究基金、深圳市科技计划以及清华水木学者计划的资助。

  • 2026-03-25

    2026-03-25

    论文Digital disaster prevention for ocean engineering: Current progress and future directions已发表在期刊Ocean Engineering上。

    面对台风等极端气候频发引发的技术事故风险，传统静态防灾手段已难以满足海洋工程实时预警与主动防控的需求。本文系统综述了数字技术在海洋工程防灾中的最新进展，聚焦致灾因子识别、灾害机理建模与结构安全评估三大核心领域。文章整合了物理数值模拟、数据驱动仿真及系统动力学方法，深入剖析灾害诱发机制与级联失效演化。重点探讨了数字孪生与深度学习在海上风电场等场景的风险分析与预警应用，并构建了融合环境感知、可解释建模及韧性决策的未来技术体系。总体而言，数字化防灾为海洋工程领域实现更具适应性、预测性和韧性的安全管理提供了重要路径。

    注：Ocean Engineering属于Q1区工程技术领域Top期刊，2025年影响因子为5.5。本人为论文第一作者和通讯作者。研究成果得到深圳市科技计划项目和广东省基础与应用基础研究基金的资助。

  • 2026-03-05

    2026-03-05

    论文Dynamics-Based Adaptive Scheduling for Large-Scale Edge Computing Networks in Smart Cities已发表在期刊IEEE Internet of Things Journal上。

    针对智慧城市中物联网设备激增导致任务请求呈指数级增长，从而给大规模分布式边缘计算网络带来实时高效调度难题，本文提出了一种新颖的基于动力学的自适应调度（DAS）方法。该方法创新性地将复杂的任务调度转化为二维几何模型，利用正向动力学模拟原理实现非迭代式任务分配，成功将计算复杂度降低至O(n log n)。仿真结果表明，DAS方法在关键性能指标上显著优于现有策略：服务响应时间降低9%至15%，系统负载均衡提升93%至98%，总能耗降低2%至12%。该方案有效解决了大规模边缘计算环境下的调度效率与可靠性问题。

    注：IEEE Internet of Things Journal属于Q1区工程技术领域Top期刊，2025年影响因子为8.9。论文第一作者为硕士生冯亦潇，上海交通大学任政儒老师为通讯作者。研究成果得到国家重点研发计划项目的资助。

  • 2026-02-20

    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。