Mason学长聊科研，旨在为大家提供更加全面、深入的导师解析和科研辅导！每期我们会邀请团队的博士对各个领域的教授导师进行详细解析，从教授简介与研究背景 / 主要研究方向与成果分析 / 研究方法与特色 / 研究前沿与发展趋势 / 对有意申请教授课题组的建议 这五个方面，帮助大家更好地了解导师，学会科研！
教授简介与研究背景
曾教授现任同济大学土木工程学院地下建筑与工程系特聘研究员，长期致力于地下工程智慧运维、智能传感器、结构健康监测、多源数据融合算法以及深度学习结构损伤识别等领域的研究。曾教授的学术背景丰富且多元化，先后在长安大学、同济大学以及宾夕法尼亚州立大学完成了本科、硕士和博士学位。其研究生阶段的导师为土木工程领域的知名学者李永盛教授及谢雄耀教授，而在博士阶段，他师从宾夕法尼亚州立大学的Hai Huang博士和Tong Qiu博士，专注于土木工程与智能监测相关的前沿研究。
在科研经历方面，曾教授曾于2021年至2023年在宾夕法尼亚州立大学及美国拉梅尔森交通研究院担任博士后研究员，积累了丰富的国际科研经验。自2023年起，曾教授作为特聘研究员回归同济大学，继续在智能监测和地下工程的交叉领域深耕。曾教授不仅在科研领域取得了丰硕成果，还获得了诸多荣誉与奖励，如2023年上海市领军人才计划（海外）和中国混凝土与水泥制品协会技术革新二等奖。
主要研究方向与成果分析
曾教授的研究领域涵盖了地下结构的智慧运维、智能传感器技术、结构健康监测、数据融合算法以及深度学习在结构损伤检测中的应用。这些研究方向体现了当前土木工程领域的几大前沿趋势，尤其是智慧城市建设背景下对地下工程智能化管理需求的快速增长。
2.1 地下工程智慧运维
地下工程的智慧运维是曾教授研究的核心方向之一。随着城市空间的垂直发展，地下建筑和隧道工程的规模日益扩大，其安全性和耐久性成为了全球关注的重点。传统的地下工程运维依赖人工巡检和经验判断，不仅效率低下，还存在检测盲区。而智慧运维基于传感器网络、实时数据监测和智能算法，可以实现对地下结构的全天候监控与维护，从而显著提升运维的效率和准确性。
在这一领域，曾教授发表了多篇高水平论文。例如，他在2023年发表的论文《Sensing Mechanism and Real-Time Bridge Displacement Monitoring for a Laboratory Truss Bridge Using Hybrid Data Fusion》展示了如何通过多源数据融合实现对实验室桥梁形变的实时监测。这一研究成果表明，智慧运维不仅在地下工程中有广泛应用前景，还可以推广至其他结构健康监测领域。
2.2 智能传感器与结构健康监测
智能传感器技术是曾教授另一重要研究领域。通过智能传感器网络，研究人员可以获取工程结构的实时数据，包括应力、应变、温度和位移等关键参数。这些数据对于评估结构的健康状态、预测潜在损伤具有重要意义。
曾教授的代表性研究成果之一是基于智能传感器网络的轨道道床不稳定性监测。他与团队开发的“SmartRock”传感器能够实时监测轨道道床的应力变化及位移情况，并通过数据融合和模式识别技术有效评估道床的健康状态。这一技术不仅提高了铁路系统的安全性，还为其他类似的结构健康监测提供了技术参考。
在2022年，曾教授与合作者发表了《Real-time evaluation of railroad ballast condition through change of contact stress using SmartRock》一文，详细描述了智能传感器如何通过实时应力变化数据来评估轨道道床的健康状态。这项研究成果极大地推动了智能传感器技术在交通基础设施中的应用。
2.3 多源数据融合算法
多源数据融合技术是曾教授研究的另一大亮点。地下工程的复杂性要求研究人员从多个传感器获取数据，这些数据往往来源不一、格式多样，如何将这些数据有效地融合以生成准确的健康评估结果是一大挑战。
曾教授在多篇论文中探讨了多源数据融合在地下工程监测中的应用。例如，在他与团队的研究《Real-time Deformation Monitoring of Large Diameter Shield Tunnel based on Multi-sensor Data Fusion Technique》中，曾教授采用多种传感器数据结合的方式，实现了对大直径盾构隧道的实时监测。这种方法不仅提高了监测的精度，还为复杂地下工程的智能监测提供了可靠的技术手段。
2.4 深度学习与结构损伤识别
近年来，深度学习技术在结构健康监测和损伤识别中的应用逐渐成为热点。曾教授敏锐地捕捉到了这一趋势，并将深度学习技术引入地下工程领域，以提高结构损伤识别的自动化水平。
在2023年，曾教授的团队提出了一种基于深度学习的结构损伤识别算法，通过融合多源传感器数据，利用深度学习模型识别结构的潜在损伤。这种方法大幅提升了损伤识别的准确性和速度，为未来的智能运维提供了更强大的技术支持。
研究方法与特色
曾教授的研究方法以跨学科融合为特色，结合了土木工程、计算机科学、数据科学等多个学科的知识，形成了独具特色的研究体系。以下为其研究方法的几个特点：
3.1 实验与理论结合
曾教授的研究不仅注重理论模型的构建，还强调通过实验验证模型的有效性。例如，他在轨道道床监测中的研究中，结合了实验室实验与现场监测，验证了基于“SmartRock”传感器的道床健康监测系统的准确性。
这种实验与理论相结合的方法，不仅增强了研究成果的科学性和可靠性，还提高了其在工程实际中的应用价值。
3.2 数据驱动与智能算法
曾教授在研究中大量使用数据驱动的方法，尤其是在结构健康监测和损伤识别领域。他通过多源数据融合和深度学习算法，构建了高效的结构损伤识别系统。这种方法不仅提高了监测系统的智能化水平，还显著降低了人工干预的需求。
3.3 跨学科合作
曾教授的研究注重跨学科合作，尤其是与计算机科学、人工智能领域的专家合作。例如，他在深度学习模型的构建中，与多位计算机科学家合作，引入了最新的人工智能技术，使得其研究成果在智能化方面具有领先优势。
研究前沿与发展趋势
曾教授的研究领域处于土木工程的前沿，尤其是在智慧城市建设、智能传感器技术、多源数据融合以及深度学习应用等方面。他的研究不仅推动了土木工程领域的技术进步，也为相关领域的交叉研究提供了新思路。
4.1 智慧城市建设中的地下工程
随着城市化进程的加速，地下空间的开发利用成为城市规划的重要组成部分。地下工程的安全性和智能化管理需求日益增加，智慧运维技术将在未来的城市建设中扮演更加重要的角色。曾教授的研究正是顺应了这一趋势，为地下工程的智能监测与运维提供了技术支持。
4.2 智能传感器技术的发展
智能传感器技术的发展为结构健康监测提供了新的可能。未来，随着传感器技术的不断进步，传感器的精度、耐久性和成本效益将进一步提高，智能传感器在土木工程中的应用前景十分广阔。曾教授开发的“SmartRock”传感器为这一领域的研究提供了成功的范例。
4.3 深度学习在工程监测中的应用
深度学习技术在结构损伤识别中的应用已逐渐成熟。未来，随着人工智能技术的不断进步，深度学习在大规模结构健康监测中的应用将更加广泛。曾教授在这一领域的研究走在了国际前沿，未来有望开发出更加智能化的结构健康监测系统。
4.4 多源数据融合与大数据分析
随着传感器技术的发展，工程监测中获取的数据量呈指数级增长。如何高效处理和分析这些数据成为了新的挑战。多源数据融合技术和大数据分析方法将在未来的结构健康监测中发挥重要作用。曾教授的研究为这一趋势提供了理论和方法上的支持。
对有意申请教授课题组的建议
对于有意申请曾教授课题组的学生，无论是申请暑期科研项目还是硕博阶段的系统研究，以下几点建议将对你有所帮助：
5.1 提前了解研究方向
曾教授的研究领域涉及地下工程、智能传感器、结构健康监测等多个方向，申请者应提前了解这些领域的基本知识，并尽量在本科或硕士阶段参与相关的科研项目。对于深度学习、多源数据融合等较为交叉的领域，申请者应具备一定的编程能力和算法基础。
5.2 强化数学与编程能力
曾教授的研究大量涉及数据分析、算法设计和模型构建，因此，申请者应具备扎实的数学基础，尤其是概率论与数理统计、线性代数等课程。此外，编程能力尤其重要，常用的编程工具如Python、MATLAB等，建议申请者在申请前积极学习。
5.3 参与科研竞赛与发表论文
如果你已经具备了一定的研究能力，参加一些与土木工程或数据科学相关的科研竞赛或发表相关领域的论文，将为你的申请增色不少。曾教授非常注重申请者的科研能力和潜力，因此，具备一定的科研背景将大大提高你的竞争力。
5.4 提早联系并明确研究兴趣
申请者应尽早与曾教授取得联系，表达自己对其研究方向的兴趣，并简要介绍自己目前的研究背景和未来的研究计划。曾教授的课题组每年招收博士1名，硕士1-2名，竞争非常激烈，因此，提早准备和联系将有助于你在众多申请者中脱颖而出。
5.5 注重跨学科能力的培养
曾教授的研究方向涉及多个学科的交叉，申请者应尽量培养跨学科的能力，尤其是在土木工程与计算机、数据科学、人工智能等领域的结合上。这不仅能够提高你的科研创新能力，还能帮助你在未来的研究中更好地应对复杂的工程问题。
【竞赛报名/项目咨询+微信：mollywei007】
