[发明专利]基于K-means三维聚类算法的风压系数快速分区方法及系统和存储介质

说明书

本发明公开了一种基于K‑means三维聚类算法的风压系数快速分区方法及系统和存储介质，首先获取建筑表面点的风压系数数据；建立K‑means聚类算法模型，并将其划分为K个簇；分别计算各簇中心和簇中心之间的距离；簇的最小化误差平方和；然后在计算聚类数K值范围；最后计算统一指标参数数值并确定最优的K值；输出聚类结果。本发明提供的风压系数快速分区方法，即在对风压极值梯度信息的一维聚类基础上，提出对K‑means聚类算法中各参量赋予一定的权重，考虑空间位置信息的影响辅助风压分区，根据基于误差平方和和轮廓系数的方法缩小k值选择的范围，然后采用一系列聚类指标和工程指标确定最佳k值。该方法可很好的完成该风压系数分区工作。

技术领域

本发明涉及土木工程分析技术领域，特别是一种基于K-means三维聚类算法的风压系数快速分区方法、系统及存储介质。

背景技术

当观察近年来风荷载引起的屋盖结构破坏时，发现在强风作用下围护结构的破坏明显多于主体结构的破坏。因此，如何更合理的完成屋盖围护结构抗风设计任务，成为在设计屋盖结构时不得不考虑的问题。更深入的观察围护结构的破坏情况时，发现围护结构的一些风敏感部位首先发生了破坏。例如，对于大尺度屋盖而言，破坏主要始于屋盖角部、边缘等部位。所以，有必要依据风易损性程度对整个屋盖结构划分出不同的分区，通过合理、客观的评价不同分区下的风荷载来设计该分区下的围护结构。

围护结构风荷载设计理论在现在的研究中已经相对完善，关于风压系数分区方面的内容已经编入了一些国家规范中。但是，对如何合理且快速地对风压进行分区地研究还十分有限。Uematsu Y和Isyumov N(1999)通过对不同来源下的实验数据和实测数据的比较，在关注与围护结构设计相关的工作时，提出了一种基于峰值因子法来评价设计风荷载的方法，并通过讨论空间平均数和时间平均数的关系后，提出了基于峰值因子和空间平均数的屋面分压方法。之后，楼文娟等(2002)根据风洞试验所得的屋面风压分布规律，按照上述方法，将平屋盖分成了9个区域，并给出了几个特定风向角下各区域的分区风压系数。孙瑛等(2007)基于测点风压的第3阶、第4阶矩统计量对风压的非高斯特性进行描述，给出划分高斯非高斯区域的标准，并在此基础上对平屋盖进行了分区。董欣等(2012)基于分离泡作用机理，对平屋盖表面在顺风向的风压特征进行分析，给出了相应的分区方式及分区体型系数；Cao Jinxin等(2012)借鉴ASCE/SEI7-10将阶梯形平屋盖的最不利极值负压值划分为5个区域，并据此讨论了不同阶梯形状和几何参数对阶梯形平屋盖各点极值风压系数的影响。李丹煜等(2013)利用机器学习聚类算法分别提出了基于系统聚类的大尺度平屋盖聚类最优风压分区算法、基于K-means聚类的风压系数快速分区方法以及基于模糊聚类算法的鞍形屋盖极值风压系数分区方法。

在一些国家规范中虽然给出了部分屋面风压系数的量化分区方式，但仅适用于特定的几类几何外形。因为对于复杂外形无据可以，故其分区方式推广起来局限性很大。可以利用K-means聚类算法提出了一种风压系数快速分区方法，其聚类结果中会出现风压系数数值相接近但空间位置距离较远的测点分到同一簇下的情况。但是在实际分区工作中，需要把风洞试验中测得的风压系数数值上相接近且在空间位置上距离较近的测点分到同一分区下，使得风压分区结果中各分区测点在空间分布上具有空间连续性。此外，基于K-means聚类算法的实现依赖于k值的选取，即影响最终分区个数的确定。聚类算法在K值确定时，通过限定围护结构风压分区的最大分类数k_max为待分区测点个数n的开方值，选用了一个较大的范围(k≤14),增加了风压分区的工作量。

发明内容

有鉴于此，本发明的目的在于提供一种基于K-means三维聚类算法的风压系数快速分区方法、系统及存储介质，该方法基于误差平方和和轮廓系数的k值确定方法，从聚类性能度量的角度出发，缩减了k值选取的范围，减少了工作量。

为达到上述目的，本发明提供如下技术方案：

本发明提供的基于K-means三维聚类算法的风压系数快速分区方法，包括以下步骤：