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。

  • 2025-02-12

    论文Fukushima Contaminated Water Risk Factor: Global Implications已发表在国际期刊Environmental Science & Technology上。

    福岛核污染水的排放对全球海洋生态系统和人类健康构成了全面威胁。目前关于福岛核污染水排放风险的讨论大多缺乏量化指标支持,也没有综合考虑不同因素。针对这些不足,我们创新性地提出了福岛核污染水风险因子(Fukushima Contaminated Water Risk Factor,FCWRF),整合核素扩散,生物富集和全球海产贸易三方面的风险,综合定量地评估福岛核污染水排海的风险。结果表明,可衡量的综合风险将转移到全球六大大洲,且这种综合风险的扩散将比由洋流驱动的扩散快六倍。FCWRF弥合了不同放射性核素风险评估领域之间的障碍,为及时有效的全球性应对措施提供了支持。另外,我们还开发了FCWRF时空分布动态数据库的可视化网站Fukushima risk,对全球发布。该网站可视化展示FCWRF全球分布的时空演化过程,并为用户提供了选定、查看及下载其所关心的数据的渠道。

    注:Environmental Science & Technology属于JCR一区和中科院工程技术一区顶刊,影响因子为10.8。张建民教授和本人为论文通讯作者,第一作者为博士生刘毅,李一林和闵妍涛。研究成果得到广东省基础与应用基础研究基金,国家自然科学基金和崂山实验室的资助。

  • 2025-01-23

    近日,本人有幸获评“2024年度优秀审稿专家”称号。感谢《施工技术(中英文)》杂志社对我工作成绩的肯定,同时也深感责任重大,将继续为我国施工技术领域的发展贡献力量。

    注:《施工技术(中英文)》是由中国建设科技集团股份有限公司主管,亚太建设科技信息研究院有限公司、中国建筑集团有限公司、中国土木工程学会主办的中国国家级专业科技期刊。2023年入选“中国科协建筑科学领域高质量科技期刊”。

  • 2025-01-17

    一种基于深度学习的动态电缆动力响应监测方法、计算机可读存储介质及程序产品”已获得发明专利证书(专利号:ZL202411609188.X)。

    本发明公开了一种基于深度学习的动态电缆动力响应监测方法,通过监测系统收集浮式平台的六自由度运动时程数据和浮筒段的三自由度运动时程数据,并结合沿电缆长度的各个监测节点的动力响应数据,形成针对不同疲劳热点的训练数据集。接着,构建一个包含多个并行回归模块的多任务集成模型,每个模块专注于预测特定监测节点的张力或弯矩。通过使用针对不同疲劳热点的训练数据集分别训练每个回归模块,并将它们集成,形成完整的多任务集成模型。最后,实时收集的运动时程数据被输入到该模型中,以预测各监测节点的张力和弯矩,实现动态电缆的动力响应监测。本发明在实现动态电缆运维阶段动力响应的健康监测的同时,降低监测成本,提高浮式风电场的经济效益。

    注:本专利发明人还包括李彬彬副教授和硕士生刘津。

  • 2025-01-15

    近日,中国知网公布了2024年度知网高被引学者名单,本人入选“2024中国知网高被引学者TOP1%”。

    2024中国知网高被引学者TOP1%”是中国知网中国科学文献计量评价研究中心依据中国知网收录的国内学术论文及会议论文数据,于2024年首次开展了对学者学术影响力的量化评估,遴选了“2024中国知网高被引学者”名单,促进优秀学术成果的国内首发。此次遴选活动旨在客观、科学衡量并表彰近十年来国内科研成果丰富、学术影响力杰出的学者群体。

  • 2025-01-02

    论文Geometrized Task Scheduling and Adaptive Resource Allocation for Large-Scale Edge Computing in Smart Cities已发表在IEEE Internet of Things Journal期刊上。

    边缘计算在发展智慧城市中至关重要,它提供现场计算资源来支持不断增长的物联网需求。然而,边缘节点的分布式特性以及在广阔城市空间中分布的大规模任务,给任务调度和资源分配带来了挑战。本文开发了一种新的框架,以实现有线和无线智慧城市应用中大规模边缘计算的高效任务调度(分配和卸载)和资源分配。为克服现有基于优化的启发式算法中的过度参数化问题,通过将聚类任务的分配转化为二维图中的区域划分问题,并应用类似俄罗斯方块的任务卸载策略来实现边缘与云的协作,从而解决了几何化的任务调度问题。这些方法避免了组合爆炸和 NP 难题,并通过具有多项式计算复杂度的乘法加权 Voronoi 图解决了区域划分问题。此外,还提出了一种自适应资源分配算法,以应对动态、不确定和高度并发的任务请求。采用了一种在线学习算法,根据不断变化的情况来调整滑动窗口的长度。比较结果表明,所提出的框架显著降低了平均任务截止期限违反率,比使用其他方案的方案降低了 4.72%(提高了 20 倍以上),尤其是在处理大规模工作负载时。

    注:IEEE Internet of Things Journal,属于JCR一区和中科院一区TOP期刊,影响因子为8.2。论文第一作者为2022级硕士生陈洋。研究成果得到国家重点研发计划项目的资助。