教师名录

唐和生

研究员,博士生导师

结构抗风与振动控制研究室主任

联系电话:021-65982390

 Email:thstj@tongji.edu.cn

通讯地址:上海市同济大学土木大楼B507室,200092

教育和工作经历

  • 1991.09-1995.07  中国海洋大学,应用地球物理专业,获学士学位

  • 1996.09-1999.03  同济大学,固体力学专业,获硕士学位

  • 1999.03-2002.04  同济大学,工程力学专业,获博士学位

  • 2003.02-2005.03  日本京都大学,博士后

  • 2006.10-2007.03  日本近畿大学,访问学者

研究方向

  • 科学智算(AI for Science,AI4S)

  • 智融合驱动复杂系统建模、识别与控制

  • 智能防灾减灾

  • 基础设施智能健康监测


基于信息蒸馏的物理深度学习求解具有极端不连续性的高阶微分逆问题

Information-distilled physics informed deep learning for high order differential inverse problems with extreme discontinuities   

       标准的物理信息深度学习及其增强变体在解决具有极端不连续性和高阶参数化微分方程的逆问题时面临挑战,这是由于使用了全局平滑的激活函数,尤其是在未知参数具有空间分布特性的情况下。诸如不连续载荷、边界截断以及材料特性突然变化等现象会在导数中引入奇点,进而导致梯度流中的信息病态。为了解决这些局限性,在此提出了一种信息蒸馏的物理信息深度学习框架,该框架结合了降阶建模、多级区域分解和病态抑制机制;能够捕捉到由不连续性在高度局部化区域内引起的变量的快速变化。通过信息传播机制和信息提炼,系统梯度流中的病态信息被抑制。即使在某些子网络失效的情况下,该框架仍能保持大多数子网络的准确性。

                                                                                                     Nature Communication engineering, 2025

      

用于求解具有间断的高阶微分方程的对抗与自适应域分解物理信息神经网络

Adversarial and Self-Adaptive Domain Decomposition Physics-Informed Neural Networks for High-order Differential Equations with Discontinuities

       因采用连续激活函数,传统PINNs在处理包含间断点的高阶微分方程时难以达到精确的近似效果。基于分区的PINNs依赖先验知识划分区域,且需要额外的残差点以处理界面条件,导致求解过程复杂。为解决这些问题,提出了一种对抗与自适应分区的物理信息神经网络(AS-PINNs)。该方法通过对抗机制自动调整子域的界面位置,捕捉不同特性的不连续性。子网络倾向于最小化自身计算域以最小化自己的残差,不同网络在接口处产生竞争以实现自动分区。自适应分区和网络结构的自动调整使AS-PINNs能够灵活应对具体工程问题,例如多材料问题和不连续缺陷检测问题。在处理6阶微分方程时,AS-PINNs的计算速度达到了传统域分解PINNs9倍。

                                                                             Engineering Applications of Artificial Intelligence, 2025

基于稀疏数据的柔性圆柱涡激振动响应重构的深度模态模型

A deep modal model for reconstructing the VIV response of a flexible cylinder with sparse sensing data

       本研究提出了一种基于稀疏传感数据重构柔性圆柱体全局涡激振动响应的深度模态建模方法。该方法采用深度神经网络和长短期记忆网络,分别用于表征结构的模态形状特征和模态权重的时间演化过程。通过预训练DNN模型提取结构模态特征,并将其作为隐式物理先验嵌入LSTM模型中,实现模态特征的知识迁移。在此基础上,仅依赖少量标签数据即可完成结构全局位移场的重构。基于该深度模态模型,利用实验中7个传感器位置的稀疏测量数据,成功重构了光滑柔性圆柱体及分别带有3根和4根控制杆的圆柱体的位移场。该方法不仅可用于结构位移场重建,还可用于结构损伤识别与传感器布设优化,为复杂结构的健康监测提供了有效工具。本研究为稀疏监测条件下的结构响应恢复、损伤识别及传感系统优化布设提供了技术支撑,有助于提升结构健康监测系统的精度与效率。

                                                                                                                                    Ocean Engineering, 2025


基于物理信息深度学习对流体输送管道中流致振动系统(FIV)的正、逆问题的研究

Research on the forward and inverse problems of flow-induced vibration (FIV) systems in fluid-conveying pipes based on physics-informed deep learning

针对传统方法常面临的经验参数难以确定和物理方程不封闭等问题的限制,建立结合数据和物理混合驱动的深度学习框架,用于解决刚性圆柱VIV和气液两相流作用下的输流管道系统的正、反问题。1)将部分参数未知的尾流振子-刚性圆柱耦合VIV方程组嵌入深度学习框架,通过离散标签数据实现对VIV响应的预测和未知参数(包括定值参数和函数参数)的反演;2)基于段塞流密度变化模型,推导了气、液两相流作用下输液管道的振动方程。利用不完整FIV方程和离散稀疏数据空间求解系统的解空间,实现响应预测和未知参数反演(刚度和流体密度)。通过分析管道结构的响应和特性,可诊断管道的服役状态和内部流体的流动状态。此研究为本课题提供了基于数据和物理混合驱动的深度学习框架,在流固耦合未知参数反演和响应预测方面提供了技术支持。

                                               The 31st ICCES, 2025


具有分段非线性特性的流体惯性增强隔振器

On the fluid inerter with piecewise nonlinearity for enhanced vibration isolation

针对传统流体惯容表观质量恒定,难以进行减振参数调整以实现高适应性减振控制的问题,提出了三阶段可变的流体惯容装置。进行了装置动力试验研究并针对性地设计了具有相对加速度依赖特征装置的关键动力性能测试方案。试验结果得到了最高达300倍的惯容表观质量放大效果以及可变的表观质量效果,基于最小二乘法进行关键参数识别,标定了惯容装置的摩擦系数、间隙、流体寄生阻尼以及表观质量参数。同时,建议了附加流体可变惯容的隔振结构性能提升策略,求解了流体可变惯容隔振结构响应解析解,并与传统表观质量恒定的流体惯容隔振结构进行了性能对比。结果表明,对比传统的流体惯容装置,附加三阶段可变的流体惯容可使得隔振结构的有效控制频带拓宽40%

                                                                                                      Nonlinear Dynamics, 2025


用于跨域系泊缆故障检测的低监督域对抗神经网络

Low-supervised domain-adversarial neural network for cross-domain mooring line failure detection

数据稀缺是深度学习用于系泊缆故障检测的重要挑战,研究提出了一种基于半监督学习的系泊缆跨域损伤检测方法。该方法考虑结构工作条件变化引起的数据分布异质性,利用门控循环单元(GRU)作为深度学习的半监督学习跨域方法。通过领域对抗训练提取不同工况条件下的数据域不变特征。模型网络架构包含特征提取器、损伤标签预测器和域分类器,采用损伤检测准确率、精确率和召回率指标。利用提出的域对抗神经网络(DANN)对不同案例进行了验证,评估了所提出模型在不同海洋环境与结构运行状态下的损伤跨域检测性能。

                                        Applied Ocean Research, 2024


基于深度学习的浮式平台系泊缆张力预测领域泛化方法

A deep learning approach based on domain generalization for mooring tension prediction in floating structures

泛化能力是深度学习方法应用中的一个重大挑战,特别是在预测系泊浮动结构的系泊线张力方面。海洋环境的动态性和复杂性使得准确预测系泊线张力成为一项艰巨的任务,为此,研究提出了一种基于深度学习的领域泛化(GRU-DG)方法,以提升浮式平台系泊缆张力预测的泛化性能。该方法通过在损失函数中引入分布匹配正则化项,减小不同领域数据的分布差异,增强模型跨领域的泛化能力。通过与现有深度学习模型的对比分析,采用MAERMSECC指标验证了该方法在未知工况下的泛化性能的提升。该方法为提升浮式平台系泊缆张力预测模型在不同工况下的适用性提供了重要的技术支撑,具有构建数字孪生的潜力,为系泊浮动工程项目提供近实时数据支持,从而在应对环境变化时,促进及时而准确的决策。

                                            Ocean Engineering, 2024

 

基于PI-LSTM模型的基础隔震-流体干涉系统框架结构地震响应预测与参数识别

Seismic response prediction and parameters estimation of the frame structure equipped with the base isolation-fluid inerter system (FS-BIFI) based on the PI-LSTM model

针对复杂结构系统动力响应预测和参数识别的挑战,本文提出了一种物理驱动长短期记忆(PI-LSTM)模型框架,专门用于解决装有基础隔震-流体惯容(FS-BIFI)系统的正、反问题。该模型首先通过单层FS-BIFI的数值案例验证了其有效性,进而成功应用于三层FS-BIFI系统,精准预测了其位移与加速度响应。在参数反演方面,模型对流体惯容的未知阻尼参数和刚度参数进行了评估,其相对误差分别为12.760%8.857%3.750%,同时响应预测误差在±10%范围内的置信度高达96.68%。研究结果充分证明,PI-LSTM模型在处理复杂结构的响应预测与参数反演问题上具备巨大潜力,为该类工程系统的分析与设计提供了强有力的支持。

                                          Engineering Structures, 2024


考虑波浪方向性的基于深度门控循环单元网络的系泊缆绳时域长期疲劳分析

Deep gated recurrent unit networks for time-domain long-term fatigue analysis of mooring lines considering wave directionality

系泊缆绳是海上系泊系统的关键组成部分,长期疲劳损伤评估是系泊缆绳设计和结构健康监测中的一个艰巨任务。传统方法需要大量的结构时域模拟。由于海况随时间变化,长期疲劳损伤评估必须考虑波浪参数(如波高、周期和方向)的变化。在以往的研究中,波浪方向通常被忽略,而本研究中进行的波浪方向敏感性分析表明,在系泊缆绳的长期疲劳损伤评估中不能忽略波浪方向。最近的深度神经网络(DNN)方法在海上结构的系泊缆绳/立管响应预测方面显示出巨大潜力。然而,这些 DNN 中使用浮体响应作为输入数据限制了它们在结构设计阶段的应用。为了解决这个问题,提出了一个门控循环单元(GRU)网络用于系泊缆绳张力建模。所提出的 GRU 网络能够代理模型能够利用波高分量或浮体运动响应准确预测系泊缆绳张力。采用雨流计数算法、T-N 方法和米纳准则来估算结构疲劳损伤。结果表明,所提出的方法能够替代成本高昂的数值计算,高精度地评估长期疲劳损伤,并减轻深度神经网络方法对数据的依赖。

                                                                                      Ocean Engineering, 2023


基于数据驱动的深度学习预测线性和非线性结构的响应

Response Prediction for Linear and Nonlinear Structures Based on Data-Driven Deep Learning

       传统的结构抗震响应分析方法(如有限元法)存在计算成本高、效率低下的挑战,难以满足快速评估的需求。为解决此问题,该研究提出了一种基于数据驱动深度学习的结构响应预测框架,利用循环神经网络(RNN)和长短期记忆网络(LSTM)来直接预测结构的地震响应时程。该框架首先采用时间序列K-均值(TSkmeans)算法对地震动记录进行聚类,以增强模型的泛化能力;随后,使用聚类后的地震波数据和通过数值方法生成的相应结构响应数据来训练RNNLSTM模型。研究结果表明,该方法在预测线性结构的响应时表现出很高的精度和效率,但在预测非线性结构响应时,虽然LSTM优于RNN,可捕捉总体趋势,但在峰值和高频细节的预测上仍存在局限性,显示了纯数据驱动模型在处理复杂非线性问题时面临的挑战。

                                                                                           Applied Science, 2023


装配式构连接缺陷识别的深度迁移学习方法研究

Deep transfer learning for connection defect identification in prefabricated structure

本研究探讨了深度迁移学习(DTL)在预制结构连接部件缺陷识别中的应用。传统的缺陷识别方法,如射线和波动技术,受限于其高复杂性和高成本,难以广泛应用。为此,本文提出了一种基于深度卷积神经网络(CNN)的方法,结合迁移学习技术,在预制结构的数据较为有限的情况下,依然能够实现高效的缺陷识别。通过小数据集的迁移学习,CNN模型能够在目标领域获得比传统方法更优的识别性能。实验验证表明,所提出的模型在少样本情况下,特别是在预制结构缺陷识别方面,表现出较好的性能。尤其是对混凝土剪力墙进行的实验测试,结果证明该方法能够有效识别裂缝和孔洞等缺陷,并与深度迁移学习策略结合后,取得了显著的效果。因此,本研究提出的深度CNN模型为预制结构的结构健康监测提供了一种高效可靠的解决方案。

                                                                                           Structural Health Monitoring, 2023


基于迁移学习-物理信息神经网络(TL-PINN) 的涡激振动研究

A transfer learning-physics informed neural network (TL-PINN) for vortex-induced vibration

        建立一种基于数据驱动的物理信息神经网络(PINN)深度迁移学习VIV代理模型,重现涡激振动的流场运动、钝体振动位移、钝体所受绕流升力和绕流阻力等信息。通过实验数据验证了所建立的基于VIV物理信息的深度网络迁移学习代理模型可以有效降低训练模型所需的数据采集成本和计算时间成本,有效地提高了研究涡激振动现象的工作效率,同时保持有较高的计算精度。该研究有助于提升流固耦合问题的计算效率,为复杂海洋环境下的结构响应预测与优化设计提供重要参考。

                                               Ocean Engineering, 2022


基于数字孪生和深度学习的结构损伤识别

       以非线性阻尼器参数识别与数字孪生技术为基础:针对八层钢构建筑中的油阻尼器支撑系统,开展非线性阻尼器参数高效识别,通过实例分析阻尼器分布、物理结构,结合迭代收敛的参数识别方法,获取阻尼器关键参数;构建基于数字孪生的性能推演体系,融合物理实体、传感器数据、数字模型,经数据处理、机器学习实现结构损伤识别,结合实测数据与模型预测对比,最终基于数字孪生技术完成建筑结构全生命周期的性能推演分析.

                                                                              土木与环境工程学报(中英文), 2024


基于物理驱动深度迁移学习的薄板力学正反问题

       建立了一种基于迁移学习增强的物理信息神经网络模型,用于解决数据稀疏的力学正反问题。结合迁移学习策略,利用源模型中的知识来加强目标任务中的学习,从而提高学习的效率, 实现不需要大量数据就能得到较好的预测性能。该方法首先在薄板(两端简支+两端固支)的数据集上训练源模型,基于深度迁移学习从源模型上提取神经网络特征,然后利用目标任务中稀疏数据集微调源模型,进而对不同边界的薄板响应预测(正问题)和边界识别(反问题)的目标任务进行验证。研究结果表明该方法在小样本的目标任务上具有良好的精度和泛化能力。

                                                                                                                    工程力学, 2023


主讲课程

  • 智能建造全过程设计

  • 工程结构全寿命维护

  • 结构健康监测

  • 工程结构抗风

  • 工程防灾

  • 防灾工程学

  • 土-结构动力学相互作用

主要荣誉和奖励

  • JAABE Best Paper Award 2008。

  • 《上海轨道交通减振降噪技术评估及应用》获2010年度上海市优秀工程咨询成果三等奖。

科研项目

  • 基于数智融合的管内外流耦合动力学研究(国家自然科学基金项目),2024-2027。

  • 数据驱动与知识驱动融合的智能流体力学(同济大学学科前沿交叉-智能建造项目),2022-2024。

  • 基于机器学习和数字孪生驱动的海洋细长柔性结构健康监测系统(上海市人工智能学科交叉联合攻关项目),2021-2022 。

  • 自立式消能减震墙钢结构体系(国家重点研发计划子课题),2017-2021。

  • 钢桥构造细节随机疲劳损伤多尺度演化及预测研究(上海市自然科学基金项目),2017-2020。

  • 装配式结构整体性检测评价技术(国家重点研发计划子课题),2016 -2020。

  • 基于自适应粒子滤波的非线性非高斯桥梁损伤识别与评估研究(国家自然科学基金项目),2016-2019。

  • 磁浮道岔梁振动疲劳寿命预测不确定性研究(科技部国家重点实验室基础研究项目),2014-2017。

  • 基于证据理论和Info-Gap决策的结构可靠性稳健设计优化(国家自然科学基金项目),2012-2015。

  • 基于证据理论的结构可靠性稳健设计优化研究(科技部国家重点实验室基础研究项目),2011-2013。

  • 基于群集智能的复杂结构系统分散化识别方法研究(国家自然科学基金项目),2008-2010。

  • 地铁列车运行引起建筑物二次辐射噪声研究(上海申通地铁项目),2008-2009。

  • 地铁列车运行引起振动、噪声赔偿机制研究(上海申通地铁项目),2009-2010。

近期代表性论著

  • Peng M, Tang H*,Information-distilled physics informed deep learning for high order differential inverse problems with extreme discontinuities. Nature Communication engineering , 2025(preprint).

  • Yangyang Liao, Tang H*, Liyu Xie, A deep modal model for reconstructing the VIV response of a flexible cylinder with sparse sensing data, Ocean Engineering,Volume 326, 2025,120871, https://doi.org/10.1016/j.oceaneng.2025.120871.

  • Mingsheng Peng, Tang H*, Yingwei Kou, Adversarial and self-adaptive domain decomposition physics-informed neural networks for high-order differential equations with discontinuities, Engineering Applications of Artificial Intelligence,Volume 145,2025, 110156, https://doi.org/10.1016/j.engappai.2025.110156.

  • Zhang, L., Tang H*, Xie, L. et al. On the fluid inerter with piecewise nonlinearity for enhanced vibration isolation. Nonlinear Dyn (2025). https://doi.org/10.1007/s11071-025-10927-5.

  • Xie Y, Tang H*. Low-supervised domain-adversarial neural network for cross-domain mooring line failure detection. Applied Ocean Research,149(2024)104066.

  • Xie Y, Tang H*. A deep learning approach based on domain generalization for mooring tension prediction in floating structures. Ocean Engineering, 306(2024)118128.

  • Liao Y , Tang H* , Li R ,et al.Seismic response prediction and parameters estimation of the frame structure equipped with the base isolation-fluid inerter system (FS-BIFI) based on the PI-LSTM model.Engineering Structures, 2024, 309.DOI:10.1016/j.engstruct.2024.118077.

  • Xie Y, Tang H*, Low YM.Deep gated recurrent unit networks for time-domain long-term fatigue analysis of mooring lines considering wave directionality. Ocean Engineering, 284 (2023)115244.

  • Tang H*, Xie Y. Deep transfer learning for connection defect identification in prefabricated structures. Structural Health Monitoring. 2023;22(3):2128-2146. doi:10.1177/14759217221119537.

  • Liao Y, Tang H*, Li R, Ran L, Xie L. Response Prediction for Linear and Nonlinear Structures Based on Data-Driven Deep Learning. Applied Sciences. 2023; 13(10):5918. https://doi.org/10.3390/app13105918.

  • 唐和生,王泽宇,陈嘉缘基于数字孪生和深度学习的结构损伤识别. 土木与环境工程学报(中英文);2024年01期.

  • 唐和生, 何展朋, 廖洋洋. 基于物理驱动深度迁移学习的薄板力学正反问题. 工程力学. 2023,40(8),2021-0977.

  • 唐和生,谢雅娟,陈豪.基于深度学习和近场动力学的层合板冲击工况识别.计算力学学报.2023,40(1):52-59.

  • Tang H*, Liao Y, Yang H, Xie L. A transfer learning-physics informed neural network (TL-PINN) for vortex-induced vibration. Ocean Engineering, 266 (2022)113101.

  • 唐明健,唐和生.基于物理信息的深度学习求解矩形薄板力学正反问题.计算力学学报. 2022,39 (1):120-128.

  • Li D, Tang H*, Xue S. Robust design of tuned mass damper with hybrid uncertainty.Struct Control Health Monit. 2021;e2803, https://doi.org/10.1002/stc.2803.


招收智能建造和防灾减灾工程及防护工程硕士与博士!



联系地址:上海市四平路1239号同济大学土木大楼B座  电话:021-65982666   传真:021-65982668  邮箱:ddms@tongji.edu.cn   邮编:200092

Copyright © 2018 同济大学土木工程学院结构防灾减灾工程系