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、Sustainability期刊Sustainable Engineering and Science板块编委等职务。

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。

  • 2021-12-25

    第七届全国BIM学术会议暨第八届第一次中国图学学会建筑信息模型(BIM)专业委员会年会于2021年12月25日在重庆市成功召开。

    本次会议以“创新引领 数字赋能”为主题,重点探讨BIM技术及其相关技术在智能建造、全生命期项目管理等方面的研究应用,线下及线上参会与观看人数总数超过一万人。本人主持了第四分会场会议。

    年会上,共计100位专委会委员出席会议,会上讨论了发展委员的相关事宜。经各位委员讨论,2022年度BIM专委会将继续组织全国BIM学术会议、BIM大讲堂、BIM学术论坛等系列活动,继续支持“龙图杯”全国BIM大赛和BIM技能等级考试工作,并加强与BIM学生论坛的联系。

  • 2021-12-14

    《面向乡村住宅的数据集成与轻量化技术研究》已发表于《土木建筑工程信息技术》期刊。

    该文主要研究了建筑工程信息的集成与轻量化技术,是课题组关于建筑工程信息交换领域研究的系列成果之一。乡村住宅通常以村落形式构成集合,且受地理环境影响较大。因此在规划、设计与建造过程中需要同时考虑单体建筑、村落布置与地理环境等因素。为此,该研究提出了一种面向GIS与BIM多源数据的信息集成与模型轻量化方法,包括1)基于FBX SDK实现了FBX的自动集成;2)引入顶点重要度与模型特征因子控制模型的简化过程,实现了面向乡村住宅的QEM改进算法。上述方法从扩充平台的使用场景和提高平台的模型处理能力两个方面,完善了一个已有的乡村住宅轻量化集成平台。成果在江苏省徐州市某乡村的改造中进行测试,验证了技术的可行性与实用性,有利于推进信息技术在乡村住宅设计与建造中的推广应用。

    注:研究成果得到国家重点研发计划项目与国家自然科学基金项目的资助。

  • 2021-12-13

    2021年,是清华大学建校110周年,也是清华大学在深圳办研究生教育20周年!

    转眼20年过去,南国校园从深圳研究生院发展为深圳国际研究生院,从借用研究院大楼518办公室,到入驻美丽的大学城以及建设新校区,这都很好地阐述了高等教育在超常规跨越式发展!二十年的风雨兼程,国际研究生院已建成6个研究院,累计招收培养研究生愈1.46万名,专职教师愈180名,国际声誉和影响力不断提升的国际研究生院已成为深圳连接世界的一个学术科研桥头堡!

    情深20年,桃李尽芳菲。风雨同舟,明朝更璀璨!我相信,清华大学深圳国际研究生院20周年院庆定将成为承前启后、继往开来、再创辉煌的新起点!

  • 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。