广州大学 广东广州 510000
摘要：近年来，依赖于互联网的普及和计算机硬件的不断优化更新，机器学习得以不断完善与应用，越来越多学科应用机器学习算法在相关领域取得了突破性的发展。同时，机器学习将给工程结构抗风的带来极大的机遇。本文主要梳理了基于机器学习的低矮建筑、大跨建筑和高层建筑的风压预测的相关研究和应用，以期为后续研究者提供一些参考和借鉴之处。
关键词：机器学习；风压预测；脉动风压；神经网络
1.引言
机器学习是一门基于概率分析、数理统计、线性代数和信息论等多学科交叉的学科。近年来，机器学习发展迅速，在图片识别、语音识别以及无人驾驶等领域取得了令人满意的成绩。然而，机器学习在工程结构抗风领域的应用还处于萌芽阶段，相关研究主要集中风压预测方面。为帮助风工程相关研究人员更好更快地了解机器学习方法在风工程预测方面的相关研究和发展趋势，本文从低矮建筑、大跨建筑和高层建筑风压预测三个方面梳理了近些年的相关文献，以期对相关研究人员有所帮助。
2.预测低矮建筑的风压系数
我国沿海地区每年都会台风登陆，这给老百姓的生命安全造成了极大的威胁。一个安全的房屋将有助于降低老百姓的风险，因此研究低矮建筑的风压特性尤为重要。美国国家标准与技术研究所（NIST）目前创建了一个空气动力学数据库，该数据库记录了各种低矮建筑的风致压力时间序列。加拿大韦仕敦大学的Chen Y [1]利用NIST低矮房屋风压数据库，运用一种人工神经网络（ANN）方法来预测低层建筑物的平均压系数和均方根压力系数。为了使数据库辅助设计系统DAD具有实际用途，必须使用简单的插值方案来覆盖设计师可能希望的各种低建筑几何图形，因为任何数据库中只能包含较少的几何图形。于是Chen Y使用一组空气动力学相似的建筑物在相同的风角和相同的地形下重新缩放的压力时间序列，通过调整参考时间序列的平均值和均方根值对参考时间序列进行校正。利用人工神经网络模型捕捉了这些统计参数的可变性，为工程实践提供了重要参考，王鹦歌和李正荣[3]等通过现场实测的方法获取低矮建筑在台风中的风压数据，利用本征正交分解法（POD），将风压场数据分解成时间和空间两个向量，对结构表面空间向量进行插值，研究结果表明，该方法对于低矮建筑脉动风压时程预测具有较好的精确度。Tian J提出了一种基于深度神经网络（DNN）的低矮建筑模型表面平均风压系数和峰值风压系数的预测方法，以往的工作对输入变量数量的灵活性有限，预测精度较低，但该方法可以利用多种输入条件对压力系数进行高精度的预测。同时提出了一种两步嵌套DNN方法来改进峰值系数的预测，回归预测的最佳相关系数均达到0.99以上。
3.预测大跨建筑的风压系数
在强风的作用下，大跨建筑上下屋面会产生较大的压力差，极容易破坏其稳定性。为了探究影响大跨平屋盖结构风荷载分布特性的因素，傅继阳和甘泉[5]等提出用改进的 BP神经网络和模糊神经网络两种方法来建立反映大跨平屋盖结构风压分布特性的模型，并用试验数据进行了验证。结果表明，这两种模型都能很好的逼近和预测大跨平屋盖结构风压分布的特性，相比之下，改进的 BP 神经网络稳定性较好，但逼近速度慢，精度也不高；而模糊神经网络由于结合了模糊系统和神经网络的优点，其稳定性好，逼近速度快，且精度高，进一步表明模糊神经网络方法是预测大跨平屋盖结构风压分布特性的有效途径，在结构风工程中具有广阔的应用前景。孙芳锦和梁爽[2]等在径向基函数神经网络的基础上，结合遗传算法和方分析对大跨度屋盖的风压场进行了预测。引入整体度量估计作为遗传算法中适应度函数的估计，采用方差分析分解 RBF 的输出总方差，用求得的均方误差对 RBF 神经网络模型的权方差进行估计。
将本文方法预测得到的大跨度屋盖的风压系数、升力系数等与实验结果和传统 RBF 方法预测结果进行了对比，并进行了误差统计分析。结合遗传算法径向基神经网络预测的风压系数与试验结果符合良好，且均方误差小于 RBF 方法，平均相差约 67.21%；在达到同样的收敛精度时，采用本文方法计算所需的时间要比传统 RBF 模型节省约 40%。结合遗传算法和方差分析的 RBF 神经网络模型是预测大跨度屋盖风压场的有效工具。为了研究大跨度结构屋盖表面风压系数和功率谱的测量，顾明和周晅毅[4]提出了根据有限的风洞试验测试结果用神经网络方法预测未知点平均和脉动风压系数、以及脉动风压的自功率谱和互功率谱函数的方法，并将这一方法应用于一座实际大跨度屋盖结构，其预测结果与实测值吻合得较好，这为研究大跨度屋盖结构的风荷载和风振响应分析提供了一个有效方法。
4.预测高层建筑的风压系数
高层建筑属于风敏感类建筑，虽然没有在强风作用下倒塌的案例，但强风破坏高层建筑的围护结构以及幕墙的案例却所见不鲜，因此对高层建筑进行相关的风振研究显得非常必要。随着大城市中建筑群的兴起，高层建筑的相互干扰效应引起了大量的关注。为了充分了解干扰效应，通常需要大量的风洞试验，但有限的风洞试验仅涵盖部分干扰场景，无法充分揭示干扰效应。Gang Hu等使用机器学习技术进行研究高层建筑风振干扰效应，基于30%的数据集训练了决策树、随机森林、XGBoost、生成性对抗网络（GANs）四种机器学习模型，用于预测主楼的风压系数。GANs模型在预测这些压力系数方面表现出最好的性能。然后，根据数据集的不同部分（从10%到90%）对许多GANs模型进行训练。结果表明，基于30%数据集的GANs模型能够准确预测未知干扰条件下的压力系数，利用GANs模型可以节省70%的风洞试验案例，大大降低了此类风洞试验研究的成本。
5.结语
本文从低矮建筑风压预测、大跨建筑风压预测和高层建筑风压预测三个方面阐述了机器学习在风压预测中的国内外研究进展。机器学习在风压预测应用方面虽处于起步阶段，只有短短不到20年的时间，但已经取得了不错的成绩。现如今，机器学习仍处于大发展大繁荣阶段，大量的科研经费的投入以及社会公众的普遍关注将使机器学习理论更加完善。随着机器学习的进步与发展，相信机器学习在风压预测方面将得到进一步拓展。
参考文献：
[1]Chen Y，Kopp G A，Surry D.Prediction of pressure coefficients on roofs of low buildings using artificial neural networks[J].Journal of wind engineering and industrial aerodynamics，2003，91（3）：423-441.
[2]孙芳锦，梁爽，张大明.基于回归神经网络的大跨度结构风压场预测[J].地震工程与工程振动，2014，34（05）：180-187.
[3]王莺歌，李正农，吴红华，张灵辉.低矮房屋屋面脉动风压的预测[J].振动与冲击，2013，32（05）：157-162.
[4]顾明，周晅毅.神经网络方法在大跨度屋面风压研究中的应用[J].工程力学，2003（04）：99-103.
[5]傅继阳，甘泉.大跨平屋盖结构风压分布特性的神经网络模型[J].华南理工大学学报（自然科学版），2003（08）：62-66.
作者简介：
李浪（1994-），男，汉族，江西丰城人，学历：硕士在读（硕士），单位：广州大学，研究方向：工程结构抗风。