基于机器学习的高层建筑风荷载功率谱预测算法研究

为了评估机器学习算法预测高层建筑风效应的可行性，本研究开展了机器学习算法对高层建筑标准模型基底力矩系数风荷载功率密度谱预测的研究。机器学习模型的输入是湍流强度、风向角和折算频率，输出是风荷载基底弯矩系数功率谱。训练了三种机器学习算法：梯度提升回归树、直方图梯度提升回归树和XGBoost，采用Tree-structured Parzen Estimator和交叉验证的方法优化算法的超参数。通过对比三种算法在测试集的预测性能，发现梯度提升回归树算法能够很好地预测顺风向、横风向和扭转向的基底弯矩系数功率谱，且预测值与试验值之间的相关系数不低于0.97。研究表明了机器学习预测高层建筑标准模型风荷载功率谱的可行性，为机器学习应用于高层建筑的抗风设计提供参考。

近年来，建筑向着更高更柔的趋势发展，风对建筑的影响也越来越大。根据风荷载功率谱和相干函数可以构造风荷载功率谱密度矩阵，由模态变换得到广义力功率谱密度矩阵，从而计算高层建筑结构的响应和等效风荷载[1]。因此对基底力矩功率谱的研究是具有重大意义的。近些年来，许多研究学者对高层建筑的风荷载基底力矩功率谱进行了大量的研究[2]-[8]。

风洞试验和计算流体动力学是研究高层建筑基底力矩功率谱两种最常用的方法，然而风洞试验花费的成本较大，计算流体动力学的计算时间较长。因此，运用一种新的方法来研究高层建筑的基底力矩功率谱是极具意义的。

在计算机技术不断发展的今天，人工智能在人们日常生活中随处可见。而机器学习是人工智能的核心，能够让计算机从大量的数据中找出隐藏的规律，从而做出准确的预测。机器学习一经问世就被广泛应用于许多工程领域[9] [10] [11] [12]。近些年来，一些研究学者开始将机器学习运用在风工程领域中。

Hu & Kwok [13]运用了机器学习中的三种算法去预测圆柱体表面的风压，结果表明梯度提升回归树算法能够很好地预测圆柱体的平均风压和脉动风压。Lin 等[14]采用了机器学习中的五种算法去评估矩形圆柱体的侧风振动，结果显示梯度提升回归树算法能够很好地预测侧面矩形圆柱体的侧风响应。尽管如此，机器学习在风工程领域的运用还处在初步阶段， 而且以往机器学习在风工程领域的应用案例并不具备代表性。

CAARC 高层建筑标准模型是由英联邦咨询航空研究委员会(CAARC: Commonwealth Advisory Aeronaut-ical Research Council)提出的[15]，已被公认为不同风洞实验室验证风场模拟的基准模型[16] [17] [18]。为了将机器学习应用于代表性模型来预测风效应并验证不同机器学习算法的可行性，本研究将CAARC 高层建筑标准模型作为基准模型，通过三种不同的机器学习算法对高层建筑的风荷载功率谱进行预测。

2. 数据收集 为了获取大量的高层建筑标准模型风荷载功率谱数据集用于机器学习模型的训练和测试，本研究对