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。

  • 2025-04-17

    2025-04-17

    论文Vision-based adaptive cross-domain online product recommendation for 3D design models已发表在期刊Computer-Aided Civil and Infrastructure Engineering上。

    三维（3D）数字化设计已广泛应用于建筑、工程、咨询、运营与维护（AECOM）行业，以提升各利益相关方之间的协作效率。虽然电子商务网站通常使用推荐系统来促进购买，但由于尺寸和风格的差异，没有一个系统涉及从3D建筑设计模型向用户推荐在线产品。为此，本文提出了一种基于视觉的自适应跨域在线产品推荐方法——VacRed，用于3D建筑设计模型。首先，提出一种跨域方法，将设计模型转换为电商图像，以解决设计模型与电商图像在维度和风格上的不一致问题。其次，引入自适应机制，解决生成模型训练过程中因生成器权重变化而导致的图像质量不稳定问题。再次，构建了一个基于深度学习的跨域商品推荐系统，能够针对给定的建筑设计产品推荐前k个相关的在线商品。最后，通过实验验证了VacRed方法的有效性。实验结果显示，该方法具有优异的性能，推荐准确率达87.20%，平均精度均值达83.65%。本研究有效连接了AECOM行业中的两个关键阶段——设计与采购，以及设计与电子商务这两个大型群体。

    注：Computer-Aided Civil and Infrastructure Engineering属于Q1区工程技术领域期刊，影响因子为8.5。论文第一作者为北京建筑大学周小平。研究成果得到国家自然科学基金项目的资助。

  • 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。