[论文解读] Investigation of wind pressures on tall building under interference effects using machine learning techniques

Gang Hu, Lingbo Liu+3 more|arXiv (Cornell University)|Aug 20, 2019

Wind and Air Flow Studies参考文献 57被引用 4

一句话总结

本研究采用生成对抗网络（GANs）仅基于东京工业大学风洞数据库中30%的数据，预测高层建筑在干扰效应下的风压系数。在30%数据上训练的GANs模型优于其他机器学习模型，能够准确预测未见过的干扰条件下的平均与脉动风压系数，使风洞试验需求减少高达70%。

ABSTRACT

Interference effects of tall buildings have attracted numerous studies due to the boom of clusters of tall buildings in megacities. To fully understand the interference effects of buildings, it often requires a substantial amount of wind tunnel tests. Limited wind tunnel tests that only cover part of interference scenarios are unable to fully reveal the interference effects. This study used machine learning techniques to resolve the conflicting requirement between limited wind tunnel tests that produce unreliable results and a completed investigation of the interference effects that is costly and time-consuming. Four machine learning models including decision tree, random forest, XGBoost, generative adversarial networks (GANs), were trained based on 30% of a dataset to predict both mean and fluctuating pressure coefficients on the principal building. The GANs model exhibited the best performance in predicting these pressure coefficients. A number of GANs models were then trained based on different portions of the dataset ranging from 10% to 90%. It was found that the GANs model based on 30% of the dataset is capable of predicting both mean and fluctuating pressure coefficients under unseen interference conditions accurately. By using this GANs model, 70% of the wind tunnel test cases can be saved, largely alleviating the cost of this kind of wind tunnel testing study.

研究动机与目标

• 解决研究高层建筑群干扰效应时风洞试验成本高且覆盖范围有限的问题。
• 开发一种机器学习模型，仅需少量实验数据即可准确预测未见干扰条件下的风压。
• 评估并比较多种机器学习模型——决策树、随机森林、XGBoost和GANs——在预测风压系数方面的性能。
• 确定GANs模型在不同建筑布局和风况下实现可靠预测所需的最小数据集规模。
• 在无需全面物理试验的情况下，实现对结构设计具有高分辨率的干扰因子映射。

提出的方法

• 在东京工业大学气动数据库中30%的数据上训练四种机器学习模型——决策树、随机森林、XGBoost和生成对抗网络（GANs）。
• 采用GANs架构学习不同建筑布置、风向及间距比下风压系数数据的潜在分布。
• 通过决定系数R²和均方根误差RMSE等统计指标，评估模型在预测与实验风压系数之间的一致性。
• 在数据集比例从10%到90%逐步增加的情况下训练多个GANs模型，以评估数据效率与模型泛化能力。
• 通过未见过的测试案例验证性能最佳的GANs模型，确认其对未测试干扰构型的预测准确性。
• 利用训练好的GANs模型生成原始风洞试验案例中70%的预测结果，有效替代物理试验。

实验结果

研究问题

• RQ1 在仅使用风洞试验数据子集的情况下，机器学习模型能否准确预测高层建筑在干扰效应下的风压系数？
• RQ2 在未见干扰条件下，决策树、随机森林、XGBoost和GANs中哪种机器学习模型在预测平均与脉动风压系数方面表现最佳？
• RQ3 GANs模型在何种最小数据集规模下，可在不同建筑布局与风况下实现可靠且可泛化的预测？
• RQ4 训练好的GANs模型在干扰效应研究中能在多大程度上替代物理风洞试验？可减少多少试验案例？
• RQ5 训练好的GANs模型能否生成常规试验难以实现的、关于力矩与力系数的高分辨率干扰因子图谱？

主要发现

• GANs模型在所有测试条件下，对平均与脉动风压系数的预测性能均优于决策树、随机森林和XGBoost。
• 仅使用完整2,664组案例数据的30%训练的GANs模型，其预测精度与使用全部数据训练的模型相当。
• 数据量增加带来的性能提升在30%以下最为显著，超过该阈值后收益递减。
• 在30%数据上训练的GANs模型能够准确预测未见干扰条件下的风压系数，包括具有高动力放大效应的关键位置。
• 该模型使70%的风洞试验案例无需物理测试即可完成预测，显著降低了风工程研究的成本与时间。
• 研究表明，基于小样本子集训练的GANs模型，其效果可能优于基于全量数据训练的模型，原因在于其更强的泛化能力与噪声抑制能力。