一种基于多层感知机的全域方形截面建筑物风场预测方法

技术领域

本发明属于风场测量领域，具体涉及一种基于多层感知机的全域方形截面建筑物风场预测方法。

背景技术

针对城市建设中具有方形水平横截面的高层建筑而言，其通常会受到复杂的风力影响。高层建筑若长时间受到风力作用会诱发结构疲劳现象，导致高层建筑摇晃并增强高层建筑住户的不适感，同时风力作用会导致高层建筑结构出现规模较大的结构开裂或者残余变形现象，强风还会破坏高层建筑主体或者装修，不仅损失建设方效益也为使用者带来不便，因此高层建筑结构的抗风特性十分重要，能够高效率高精度的重构全区域的风场及压力场对于建筑物防灾减灾有重要的意义。

在过去的研究中，通常使用数值模拟或高保真风洞实验来获取风场中的物理量(如速度和压力)，而这类方法成本过高且非常耗时；与此同时，全尺度测量所采用的传感器数量有限，且实际工程应用中更关注物理量的整体分布。因此，仅使用有限的局部传感器数据来还原高维全域风场具有重要意义。

近年的研究表明，机器学习和深度学习方法有望帮助使用稀疏传感器数据来还原高维风场，以实现精度和计算成本之间的平衡。对于钝体绕流场，大多数深度学习研究仅关注层流条件下结构尾流的重建。Erichson等引入浅层感知机，成功地预测了Re＝100条件下圆柱的二维层流涡量场。Fukami等对多种深度学习方法，包括多层感知器、随机森林、支持向量回归和极限学习机等进行了系统分析，同时发现卷积神经网络(CNN)在提取高维数据分布特征方面具有一定优势。

然而，对于高雷诺数的建筑物周围全域风场的重建，现有的深度学习技术面临精度与效率无法两全的问题。在结构抗风领域，及时有效的全域风场重构至关重要。Diop等尝试使用人工神经网络，基于尾流内有限的速度测点和建筑表面的压力测点来重构建筑物周围复杂风场，但未能达到满足工程应用要求的重建效果，其预测精度甚至低于线性回归方法。多层感知机(Multilayer perceptron，MLP)是较常见的深度学习算法之一，基于全连接层组成的多层感知机在调整权重和模型结构以与特定的统计预测任务保持一致方面提供了更大的灵活性。尽管在预测精度上相对于生成对抗神经网络(GAN)等更复杂的神经网络相对较低，但是其有望在满足了工程需要的精度的同时大幅提高预测效率。此外，本发明在预处理上进行了一定的优化，在一定程度上提升了预测精度。因此，在方形截面建筑物周围风场的高效率重建领域，基于改进的多层感知机的基本框架，替换目前现有的基于深度学习或者其他方法的全域风场重构技术，有望在保证高维度全域风场预测精度的同时实现预测效率的大幅提升。

发明内容

为解决上述问题，本发明提供了一种基于多层感知机的全域方形截面建筑物风场预测方法，包括以下步骤：

S1.构建方形截面建筑物三维几何模型，采用直接数值模拟方法获取方形截面建筑物三维几何模型的高保真全域风速数据；

S2.对高保真全域风速数据进行预处理得到训练集；其中每一样本包括稀疏测点风速数据及其对应的均匀插值全域风速数据；

S3.采用训练集进行训练多层感知机，得到风场预测模型，所述风场预测模型用于对所述方形截面建筑物的风速分布进行预测。

进一步的，采用Nektar++软件对方形截面建筑物三维几何模型进行直接数值模拟，得到维度为S×M×N×1的高保真全域风速数据，S代表时间步总数，M×N表示真实空间精度的速度测点维度，1为数据通道数。

进一步的，所述高保真全域风速数据包括多个不同展向截面在不同时间步的全域风速数据；对高保真全域风速数据进行预处理得到训练集，包括：

S11.对方形截面建筑物三维几何模型进行100×100均匀网格划分；

S12.根据双立方插值方法，将每一时间步的每个展向截面的全域风速数据分别插值到100×100均匀网格中，得到多组均匀插值全域风速数据；每一组均匀插值全域风速数据包括同一时间步内100个方格风速数据；

S13.采用K-means算法对100×100均匀网格进行聚类得到多个集群，基于均匀插值风速数据计算每一集群的脉动值并降序排列，选取前5个脉动值所属集群的簇头对应的网格位置作为传感器布置点；

S14.针对每一组均匀插值全域风速数据，从中提取出5个传感器布置点处的方格风速数据作为一个稀疏点风速数据，将该稀疏点风速数据和该组均匀插值风速数据组成一组样本；最终得到多组样本组成预处理数据集；

S15.将预处理数据集按照比例7:3划分为训练集和测试集。

进一步的，步骤S3采用训练集进行训练多层感知机得到风场预测模型，包括：

S31.构建多层感知机的结构，并采用He权重初始法初始化多层感知机的权重和偏置；

S32.给定初始学习率，以稀疏点风速数据作为多层感知机模型的输入，并输出相应的预测全域风速数据，通过均方误差函数计算输出损失并反向传播；

S33.对多层感知机进行迭代训练，且逐步降低每一轮迭代的学习率；直至达到最大迭代次数或模型收敛，得到风场预测模型。

进一步的，所述多层感知机包括1个输入层、多个隐藏层和1个输出层，每一个隐藏层包括依次级联的全连接层、批量归一化层、随机失活层和ReLU激活函数层。

进一步的，均方误差函数表示为：

其中，N表示样本数，y

进一步的，本发明还包括：

根据迁移学习方法，在不同雷诺数条件下获取相应的少量高保真全域风场数据对风场预测模型进行训练微调，得到针对不同雷诺数条件的风场预测模型。

本发明的有益效果：

本发明为加快收敛速度，并避免梯度消失或爆炸，在多层感知机的训练过程中采用了He权重初始化方法，从而能够将空间上离散且稀疏的风速测量值快速高效率的重构为较高精度的全域风速分布。

本发明克服了传统CFD与实验技术获取建筑物周围全域风场成本高、技术难度大等不足，还相对于其他更复杂的神经网络模型大幅提升了效率；与卷积神经网络以及更复杂的生成对抗神经网络相比，本发明基于MLP生成的风场在保证了满足工程需要的重建精度的同时，大大提高了重构效率。

本发明充分考虑了MLP模型在不同雷诺数条件下湍流流动的的泛用性。利用迁移学习方法，快速调整MLP模型的参数，实现了在不同雷诺数条件下方形截面建筑物周围风场的更高效率的重建，具有出色的泛化性能。由于此项发明的重建精度受到稀疏测点数量和布置位置的影响较小，因此对于风场预测具有更强的鲁棒性。

附图说明

图1为本发明的流程示意图；

图2为本发明快速预测多层感知机架构示意图；

图3为现有基于高保真直接数值模拟数据和与本发明方法针对方形截面建筑物周围风场瞬时场分布重建的对比云图；

图4为现有基于高保真直接数值模拟数据以及其他更复杂神经网络方法和与本发明方法针对方形截面建筑物周围风场时间平均速度剖面重建的对比图；

图5为现有基于高保真直接数值模拟数据与本发明方法重建不同雷诺数条件下方形截面建筑物周围风场瞬时场的云图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

采用传统开源计算流体动力学(CFD)方法获取方形截面建筑物周围的风场数据，存在成本高、技术难度大的问题；同时在实际应用中，方形截面建筑物周围所布置的传感器监测点非常稀疏，若采用现有的深度学习方法获取风场数据也需要花费大量的时间成本。为解决上述问题，本发明提供了一种基于多层感知机的全域方形截面建筑物风场预测方法，在该方法中通过构建并训练多层感知机，以少量传感器检测点的离散风速数据，获取到方形截面建筑物周围的全域风场，本方法在保证现有一定重构精度的同时，大大提高重构的效率，并增强模型的泛化能力，更满足与工程的实际需求。

如图1所示，具体方案包括以下步骤：

S1.构建方形截面建筑物三维几何模型，采用直接数值模拟方法获取方形截面建筑物三维几何模型的高保真全域风场数据。

具体地，为后续训练多层感知机，需要前期建立深度学习数据库。本发明基于软件Nektar++，在某一高雷诺数条件下，采用直接数值模拟方法建立方形截面建筑物三维几何模型的全域风场数据库，以全域风场数据库中的高保真全域风速数据作为真实风速数据，为多层感知机提供训练以及验证所需的数据。

具体地，采用Nektar++软件对方形截面建筑物三维几何模型进行直接数值模拟，得到维度为S×M×N×1的高保真全域风速数据，S表示时间步总数，本发明需要获取不同展向截面在S个连续时间步内的全域风速数据，M×N表示真实空间精度的速度测点维度，即本发明所要重构的风场区域大小，本发明中M和N的取值都为100；“1”指数据通道数。

S2.对高保真全域风场数据进行预处理得到训练集；其中每一样本包括稀疏测点风速数据及其对应的均匀插值全域风速数据。

具体地，所述高保真全域风速数据包括多个不同展向截面在不同时间步的全域风速数据；对高保真全域风速数据进行预处理得到训练集，包括：

S11.对方形截面建筑物三维几何模型进行100×100均匀网格划分；

S12.根据双立方插值方法，针对一个时间步内的一个展向截面的全域风速数据，将其插值到100×100均匀网格中，得到一组均匀插值全域风速数据；以此方法对所有时间步的所有展向截面的风速数据分别进行插值处理，得到的多组均匀插值全域风速数据；每一组均匀插值全域风速数据包括同一时间步内100个方格风速数据；

具体地，经过步骤S12的插值处理后，得到维度为S×M×N×2的均匀插值全域风速数据，S代表时间步总数，M×N表示真实空间精度的速度测点维度，2为数据通道数，其中第一层通道用以储存真实风速数据(即插值到100×100均匀网格中后的均匀插值全域风速数据)，第二层通道为位置编码，初始为0，在后续处理中，以数值“1”标记传感器布置点所对应的网格位置，以数值“0”标记没有布置传感器的网格位置。

S13.采用K-means算法对100×100均匀网格进行聚类得到多个集群，基于均匀插值全域风速数据计算每一集群的脉动值(即每一集群内所有方格风速数据的方差)并降序排列，选取前5个脉动值所属集群的簇头对应的网格位置作为传感器布置点；

S14.针对每一组均匀插值全域风速数据，从中提取出5个传感器布置点处的方格风速数据作为一个稀疏点风速数据，将该稀疏点风速数据和该组均匀插值风速数据组成一组样本；最终得到多组样本组成预处理数据集；

S15.将预处理数据集按照比例7:3划分为训练集和测试集。

S3.采用训练集进行训练多层感知机，得到风场预测模型，所述风场预测模型用于对所述方形截面建筑物的风速分布进行预测。

具体地，步骤S3采用训练集进行训练多层感知机得到风场预测模型，包括：

S31.构建多层感知机的结构，并采用He权重初始法初始化多层感知机的权重和偏置。

具体地，所述多层感知机包括1个输入层、多个隐藏层和1个输出层，每一个隐藏层包括依次级联的全连接层、批量归一化层、随机失活层和ReLU激活函数层。

S32.给定初始学习率，以稀疏点风速数据作为多层感知机模型的输入，并输出相应的预测全域风速数据，通过均方误差函数计算输出损失并反向传播。

具体地，均方误差函数表示为：

其中，N表示样本数，y

S33.对多层感知机进行迭代训练，且逐步降低每一轮迭代的学习率；直至达到最大迭代次数或模型收敛，得到风场预测模型。

具体地，针对方形截面建筑物，在不同雷诺数条件下，可采用迁移学习技术进行一定的微调，采用非常少的数据和训练时间训练相应的多层感知机，实现不同雷诺数条件下方形截面建筑物风场的高精度高效率重构。

在一实施例中，本发明在雷诺数Re＝22000条件下，采用直接数值模拟方法建立方形截面建筑物三维几何模型的全域风场数据库，该全域风场数据库包括方形截面建筑物三维几何模型中10个不同展向截面在2163个时间步内的风速数据，即共含有10×2163个风速数据；对全域风场数据库中的风速数据进行预处理得到训练集。为提高训练速度，避免过拟合，构建包含3个隐藏层的多层感知机，且3个隐藏层的神经单元数分别为200、250和300。在训练过程中，使用He权重初始法初始化多层感知机的权重和偏置，给定初始学习率为1×10

具体地，采用本方法和直接数值模拟方法分别对方形截面建筑物进行全域风场预测，如图3所示，图3a为Re＝22000下，直接数值模拟方法的预测全域风速数据，图3b为Re＝22000下，本发明的预测全域风速数据，其中白色方块表示建筑物，D表示白色方块的边长；由图3可观察到，基于稀疏的传感器检测点(5处检测点)，本发明方法能成功捕捉到方形截面建筑物尾流卡门涡街的基本特征，具有非常相似的拍打阶段。

如图4所示，图4a为Re＝22000下，直接数值模拟方法的预测全域风速数据在时间上的平均速度风场以及对应的4个垂直平均速度剖面位置，图4b为Re＝22000下，本发明的预测全域风速数据在时间上的垂直平均速度剖面图，以及直接数值模拟方法、现有更为复杂的卷积神经网络(CNN)和生成对抗神经网络(GAN)方法的预测全域风速数据在时间上的垂直平均速度剖面图；图4显示，本发明方法重建的所有时间平均速度剖面都与高保真数值模拟结果非常贴近，甚至对比于更复杂的CNN和GAN，本发明方法还有微小的领先。

如图5所示，图5a为Re＝5000下，直接数值模拟方法的预测结果，图5b为Re＝5000下，本发明的预测结果；图5显示，迁移学习技术可使模型适应新数据的特定特征，同时保留原始模型训练场景中的知识。考虑不同的雷诺数条件时，本发明方法仍能捕捉到方形截面建筑物尾流卡门涡街的基本特征，表现出较强的泛化性能。

表1展示不同雷诺数条件下，基于现有更复杂的卷积神经网络方法(CNN)与本发明方法重建方形截面建筑物周围全域风场的误差与效率对比。误差指标选用归一化均方误差(NMSE)与二范数误差(L

其中，x代表真实的全域风场，

由表1观察到，相比更复杂的卷积神经网络重建方法，本发明方法重建的方形截面建筑物周围全域瞬时风速分布各误差指标均相差较近，这意味着CNN在重建精度上并没有与MLP相差很大差距，与此同时，CNN的训练所需时间却大概是MLP的3倍作用。表明本发明能够在保证较高重构精度的同时，显著提高方形截面建筑物周围全域风场的重建效率。

表1：

在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。