[发明专利]基于数据驱动的脉动风速模拟方法

说明书

技术领域

本发明涉及一种基于数据驱动的脉动风速模拟方法。

背景技术

风荷载是引起工程结构重要的设计荷载之一，对于高、大、细、长等柔性结构，风荷载常常起主要甚至决定性作用。通常把风分为平均风和脉动风来加以分析，其中脉动风具有随机特征，它将使结构可能发生顺风向振动、横风向驰振、漩涡脱落、扭转发散振动及其它耦合振动等形式的风致随机振动。这些形式的振动不仅影响结构的内力分布，更重要的是，将使结构产生动力失稳现象，从而极大地降低结构实际的极限承载力。因此，工程中考虑风的动力响应是极其重要的。现行风工程中，确定工程结构风荷载的主要手段目前有风洞试验、现场实测、数值摸拟等。随着计算机的普及应用和数值分析方法的深入研究，通过数值模拟方法得到的风速时程曲线可满足某些统计特性的任意性，且比实际记录更具有代表性，所以在实际工程中被广泛采用。其中，线性滤波法计算量小、速度快，被广泛地运用于脉动风的时序分析中。

近年来，随着信息科学技术的迅速发展，基于数据驱动技术的方法逐渐成为许多领域中的热点和发展方向，不需要考虑系统的精确数学模型，它是以描述样本数据的特征作为建模的主要准则，利用受控系统的这些数据来实现系统运行状态的预报、评价、调度、监控、诊断、决策和优化等各种期望功能的方法。其中，神经网络和支持向量机的运用已经逐渐成熟，并在各领域的研究工作中体现出各自的优势。BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号向前传递，误差反向传播，在向前传递中，神经元的激活值从输入层经过各隐含层向输出层传播，在输出层的各神经元获得网络的输入响应，然后按照减少网络输出与实际输出样本之间的误差的方向，从输出层反向经过各隐含层回到输入层，从而逐步修正各连接权值和阈值，使得BP神经网络预测输出不断逼近期望输出。支持向量机(Support Vector Machines,SVM)是Vapnik在统计学习理论的基础上发展起来的一种新型的机器学习方法，它是对结构风险最小化归纳原则的近似。它能避免人工神经网络方法的网络结构难于确定、过学习和欠学习等问题，又能较好地解决小样本、非线性、高维数和局部极小点等问。最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)是由Suykens最先提出来的，它是对SVM的一种改进，将传统的SVM中的不等式约束改为等式约束，将求解二次规划问题转化成求解线性方程组，并将经验风险由偏差的一次方改为二次方，避免了不敏感损失函数，大大降低了复杂度，在非线性预测控制方面更具有优势。

在脉动风速实测和风洞试验方面，风速样本的实测不仅需要布置测量装置，而且增加成本，而传统的数值模拟技术需要通过各个风速模拟点进行模拟，也非常费时。因此，通过已知的风速样本来获得未知的风速样本非常有实际意义。通过预测，我们可获得风速样本的特征信息，节约风速实测成本，这样有助于我们把更多的科研资金运用到更需要的地方。

发明内容

本发明的目的在于提供一种基于数据驱动的脉动风速模拟方法，从而解决通过实际强风记录、风洞实验获得风速样本的耗时耗资、测试手段复杂等问题。数据驱动技术模拟获得的风速样本可以满足某些统计特性的任意性，且比实际记录更具有代表性。

为达到上述目的，本发明采用下述技术方案：

一种基于数据驱动的脉动风速模拟方法，通过某些高度的脉动风速样本数据的内插学习和训练，预测其他高度的脉动风速时程；具体步骤如下：

1)选择超高层建筑，确定数值模拟脉动风速所需要的参数：模拟的建筑高度和模拟风速点的各高度、该处10米高度的平均风速、表面粗糙度系数、地面粗糙度指数、模拟相关函数。

2)通过AR法数值模拟生成的一定数量沿高度均匀分布的脉动风速时程，作为有限的原始脉动风速样本数据；并对风速功率谱密度、自相关函数及互相关函数的模拟值与相应目标值的吻合程度进行检验，以验证基于AR模型模拟超高层建筑风速时程的可行性；

3)分别采用BP神经网络、SVM、LS-SVM三种数据驱动技术方法，对某些高度区域内的样本数据进行内插法的学习和训练，建立预测模型，通过输入间隔两层的样本数据，输出中间层相应时间的脉动风速；

4)采用预测模拟值与目标值的相关系数、均方根误差以及模拟所需要的时间作为评价指标，对结果进行分析，获得不同数据驱动方法各自的模拟优势和劣势。

上述步骤2)中的AR模型用下式表示：