机器学习在建筑风荷载研究的运用综述--中国期刊网

字体：大中小

首页> 原创作品> 正文

机器学习在建筑风荷载研究的运用综述

发表时间：2020/11/18 来源：《基层建设》2020年第22期作者：辛业文

[导读] 摘要：本文通过对近些年机器学习在风荷载领域的研究成果的总结，机器学习的算法包括决策树，集成学习、支持向量机和神经网络等算法。

        广州大学广东广州 510006
        摘要：本文通过对近些年机器学习在风荷载领域的研究成果的总结，机器学习的算法包括决策树，集成学习、支持向量机和神经网络等算法。总结的内容包括了国内外学者的研究成果，这为建筑风荷载的研究提供了新的研究思想和方法。
        关键词：机器学习；风荷载；决策树；集成学习；支持向量机；神经网络
        风压系数在低矮建筑结构设计中起着非常大的影响，而低矮建筑的风压系数受到风压的流动状态、平均风速、风向角度、湍流强度，此外还有建筑的几何体型等因素的影响。低矮建筑的风压系数的获得目前主要有三种途径：现场实测，风洞试验，数值模拟。在这三种方法中，现场实测的效率低，费时耗财，对仪器设备有一定的要求，而且受到实测现场的气候不确定因素的影响，因此在实际中运用的不多。相对现场实测而言，风洞试验有明显的优势，风洞试验具有高效、低耗，不受气候的限制的，而且试验得到的数据基本能满足要求。计算流体力学（Computational Fluid Dynamic，即 CFD）是常用的数值模拟的方法，不过数值模拟的结果要和风洞实验或者现场测试的结果相比较，这是数值模拟的其中的一个缺点。针对这些情况，很多学者一直正在寻找高效、准确、低成本的方法来获得风压系数。Cook提出了一种采用分析风荷载计算的方法来估算常规形状建筑的平均风压系数的规范（Cook January 2007）。有的学者提出来一种新的参数方程用来预测低矮建筑的空间平均风压系数（。）。此外，Whiteman等人提出网络物理系统（CPS），将数值优化过程的精确度和边界层风洞（BLWT）建模结合起来可以提高精度（Whiteman et al.2018a；2018b）。
        近些年，随着机器学习算法（Machine Learning Algorithms）的兴起，该技术在他的各个领域大放异彩，都取得了非常大的成功。机器学习是一种非常善于处理非线性问题的强有力工具。在风工程研究方面，不少学者将机器学习运用构筑物和建筑物表面的平均和均方根风压系数预测上，而且实验预测得到的结果也是相当的理想。
        国内有傅继阳[1，2]等人提出了一种基于模糊神经网络预测大胯平屋盖结构风荷载分布预测的方法，其方法的精度很好。顾明[1]等人将神经网络预测的平均风压和脉动系数结果和风洞试验的对比，发现预测的结果和实测的吻合很好。丁幼亮[2]等人采用了神经网络的方法进行了风速时程的模拟试验，试验的结果呈现该方法具有一定的有效性。王述良[3]等人将本征正交分解法和神经网络的方法对屋盖结构的风压时程进行预测，结果显示该方法可行，但也存在不足之处。孙芳锦[4，5]等人将遗传算法和神经网络结合对大跨度屋盖的风压场进行预测，结果显示该方法可行而且节省时间。国外，Chen[6]等人利用人工神经网络对低矮山墙屋盖结构的平均风压和脉动风压进行预测，结果显示该方法的具有一定的实际可行性。此外，还有其他的研究学者也采用了神经网络的方法对建筑的风荷载进行了相关的研究[7，8]。Hu[9，10]等人采用决策树、随机森林、梯度增强回归树、XGBoost（极限梯度提升）和生成对抗网络4种方法对建筑进行风压预测，发现生成对抗网络采用少量的数据就可以获得很好的预测结果。
        总的来说，机器学习在风荷载研究方面取得了一定的成绩，这些结果展现机器学习算法能够很好拟合非线性问题的强大性能，但也有一定的不足，也就是机器学习模型涉及到了参数调节，而这些参数的好坏决定了模型的预测精度，因此有必要在调参方面有更进一步的研究，怎么缩短调参的时间和提高模型的精度，是一个值得探讨的问题。

期刊文章分类查询,尽在期刊图书馆

        参考文献：
        [1]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.
        [2]亮丁幼.基于神经网络的大跨空间结构脉动风荷载的随机模拟[J].特种结构，2006，23（2）：1-2.
        [3]王述良，梁枢果，宋微微.大跨度屋盖结构风压预测方法研究[J].固体力学学报，2010，31（S1）：242-248.
        [4]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.
        [5]孙芳锦，梁爽，余磊.基于改进的神经网络的大跨度屋盖风压场预测[J].应用力学学报，2014（6）：922-926.
        [6]Chen Y，Kopp G A，Surry D.Interpolation of pressure time series in an aerodynamic database for low buildings[J].Journal of Wind Engineering and Industrial Aerodynamics，2003，91（6）：737-765.
        [7]Uematsu Y，Tsuruishi R.Wind load evaluation system for the design of roof cladding of spherical domes[J].Journal of wind engineering and industrial aerodynamics，2008，96（10）：2054-2066.
        [8]Gavalda X，Ferrer-Gener J，Kopp G A，et al.Interpolation of pressure coefficients for low-rise buildings of different plan dimensions and roof slopes using artificial neural networks[J].Journal of Wind Engineering and Industrial Aerodynamics，2011，99（5）：658-664.
        [9]Hu G，Liu L，Tao D，et al.Deep learning-based investigation of wind pressures on tall building under interference effects[J].Journal of Wind Engineering and Industrial Aerodynamics，2020，201：104138.
        [10]Hu G，Kwok K C S.Predicting wind pressures around circular cylinders using machine learning techniques[J].Journal of Wind Engineering and Industrial Aerodynamics，2020，198：104099.