[發明專利]基于數據驅動的脈動風速模擬方法

在審

• 申請號: 201410658297.0
• 申請日: 2014-11-18
• 公開（公告）號: CN104376214A
• 公開（公告）日: 2015-02-25
• 發明（設計）人: 王月丹;李春祥
• 申請（專利權）人: 上海大學
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06N3/02
• 代理公司: 上海上大專利事務所(普通合伙) 31205
• 代理人: 陸聰明

技術領域

本發明涉及一種基于數據驅動的脈動風速模擬方法。

背景技術

風荷載是引起工程結構重要的設計荷載之一，對于高、大、細、長等柔性結構，風荷載常常起主要甚至決定性作用。通常把風分為平均風和脈動風來加以分析，其中脈動風具有隨機特征，它將使結構可能發生順風向振動、橫風向馳振、漩渦脫落、扭轉發散振動及其它耦合振動等形式的風致隨機振動。這些形式的振動不僅影響結構的內力分布，更重要的是，將使結構產生動力失穩現象，從而極大地降低結構實際的極限承載力。因此，工程中考慮風的動力響應是極其重要的。現行風工程中，確定工程結構風荷載的主要手段目前有風洞試驗、現場實測、數值摸擬等。隨著計算機的普及應用和數值分析方法的深入研究，通過數值模擬方法得到的風速時程曲線可滿足某些統計特性的任意性，且比實際記錄更具有代表性，所以在實際工程中被廣泛采用。其中，線性濾波法計算量小、速度快，被廣泛地運用于脈動風的時序分析中。

近年來，隨著信息科學技術的迅速發展，基于數據驅動技術的方法逐漸成為許多領域中的熱點和發展方向，不需要考慮系統的精確數學模型，它是以描述樣本數據的特征作為建模的主要準則，利用受控系統的這些數據來實現系統運行狀態的預報、評價、調度、監控、診斷、決策和優化等各種期望功能的方法。其中，神經網絡和支持向量機的運用已經逐漸成熟，并在各領域的研究工作中體現出各自的優勢。BP神經網絡是一種多層前饋神經網絡，該網絡的主要特點是信號向前傳遞，誤差反向傳播，在向前傳遞中，神經元的激活值從輸入層經過各隱含層向輸出層傳播，在輸出層的各神經元獲得網絡的輸入響應，然后按照減少網絡輸出與實際輸出樣本之間的誤差的方向，從輸出層反向經過各隱含層回到輸入層，從而逐步修正各連接權值和閾值，使得BP神經網絡預測輸出不斷逼近期望輸出。支持向量機(Support?Vector?Machines,SVM)是Vapnik在統計學習理論的基礎上發展起來的一種新型的機器學習方法，它是對結構風險最小化歸納原則的近似。它能避免人工神經網絡方法的網絡結構難于確定、過學習和欠學習等問題，又能較好地解決小樣本、非線性、高維數和局部極小點等問。最小二乘支持向量機(Least?Squares?Support?Vector?Machine,LS-SVM)是由Suykens最先提出來的，它是對SVM的一種改進，將傳統的SVM中的不等式約束改為等式約束，將求解二次規劃問題轉化成求解線性方程組，并將經驗風險由偏差的一次方改為二次方，避免了不敏感損失函數，大大降低了復雜度，在非線性預測控制方面更具有優勢。

在脈動風速實測和風洞試驗方面，風速樣本的實測不僅需要布置測量裝置，而且增加成本，而傳統的數值模擬技術需要通過各個風速模擬點進行模擬，也非常費時。因此，通過已知的風速樣本來獲得未知的風速樣本非常有實際意義。通過預測，我們可獲得風速樣本的特征信息，節約風速實測成本，這樣有助于我們把更多的科研資金運用到更需要的地方。

發明內容

本發明的目的在于提供一種基于數據驅動的脈動風速模擬方法，從而解決通過實際強風記錄、風洞實驗獲得風速樣本的耗時耗資、測試手段復雜等問題。數據驅動技術模擬獲得的風速樣本可以滿足某些統計特性的任意性，且比實際記錄更具有代表性。

為達到上述目的，本發明采用下述技術方案：

一種基于數據驅動的脈動風速模擬方法，通過某些高度的脈動風速樣本數據的內插學習和訓練，預測其他高度的脈動風速時程；具體步驟如下：

1)選擇超高層建筑，確定數值模擬脈動風速所需要的參數：模擬的建筑高度和模擬風速點的各高度、該處10米高度的平均風速、表面粗糙度系數、地面粗糙度指數、模擬相關函數。

2)通過AR法數值模擬生成的一定數量沿高度均勻分布的脈動風速時程，作為有限的原始脈動風速樣本數據；并對風速功率譜密度、自相關函數及互相關函數的模擬值與相應目標值的吻合程度進行檢驗，以驗證基于AR模型模擬超高層建筑風速時程的可行性；

3)分別采用BP神經網絡、SVM、LS-SVM三種數據驅動技術方法，對某些高度區域內的樣本數據進行內插法的學習和訓練，建立預測模型，通過輸入間隔兩層的樣本數據，輸出中間層相應時間的脈動風速；

4)采用預測模擬值與目標值的相關系數、均方根誤差以及模擬所需要的時間作為評價指標，對結果進行分析，獲得不同數據驅動方法各自的模擬優勢和劣勢。

上述步驟2)中的AR模型用下式表示：