[论文解读] Predicting wind pressures around circular cylinders using machine learning techniques

Gang Hu, K.C.S. Kwok|arXiv (Cornell University)|Jan 21, 2019

Wind and Air Flow Studies参考文献 77被引用 4

一句话总结

本研究应用梯度提升回归树（GBRT）模型，基于雷诺数（Re）、湍流强度（Ti）和周向角作为输入，预测光滑圆形柱体周围的平均风压与脉动风压。GBRT模型在Re = 10⁴–10⁶和Ti = 0–15%范围内均表现出高精度，为工程应用提供了一种成本效益高的风洞试验与计算流体动力学（CFD）模拟的替代方案。

ABSTRACT

Numerous studies have been carried out to measure wind pressures around circular cylinders since the early 20th century due to its engineering significance. Consequently, a large amount of wind pressure data sets have accumulated, which presents an excellent opportunity for using machine learning (ML) techniques to train models to predict wind pressures around circular cylinders. Wind pressures around smooth circular cylinders are a function of mainly the Reynolds number (Re), turbulence intensity (Ti) of the incident wind, and circumferential angle of the cylinder. Considering these three parameters as the inputs, this study trained two ML models to predict mean and fluctuating pressures respectively. Three machine learning algorithms including decision tree regressor, random forest, and gradient boosting regression trees (GBRT) were tested. The GBRT models exhibited the best performance for predicting both mean and fluctuating pressures, and they are capable of making accurate predictions for Re ranging from 10^4 to 10^6 and Ti ranging from 0% to 15%. It is believed that the GBRT models provide very efficient and economical alternative to traditional wind tunnel tests and computational fluid dynamic simulations for determining wind pressures around smooth circular cylinders within the studied Re and Ti range.

研究动机与目标

• 开发基于现有实验数据的机器学习模型，用于预测圆形柱体周围的风压。
• 评估多种机器学习算法在捕捉平均风压与脉动风压分布方面的能力。
• 识别在广泛雷诺数与湍流强度范围内，预测风压最准确且泛化能力最强的模型。
• 为结构设计提供一种计算高效的传统风洞试验与CFD模拟的替代方案。

提出的方法

• 使用实验风压数据训练了三种机器学习算法——决策树回归器、随机森林和梯度提升回归树（GBRT）。
• 输入特征包括雷诺数（Re）、湍流强度（Ti）和柱体的周向角。
• 模型被训练以分别预测平均风压系数与脉动风压系数。
• 通过在Re（10⁴–10⁶）和Ti（0–15%）广泛范围内的标准回归指标评估模型性能。
• 对GBRT模型应用超参数调优以优化其性能。
• 评估了模型在整个数据集雷诺数与湍流强度范围内的泛化能力。

实验结果

研究问题

• RQ1 能否利用Re、Ti和周向角作为输入，通过机器学习模型准确预测圆形柱体的平均风压与脉动风压？
• RQ2 不同机器学习算法在预测风压分布方面表现如何比较？
• RQ3 性能最佳的模型在雷诺数与湍流强度全范围内的泛化性能如何？
• RQ4 最佳模型能否作为风洞试验与CFD模拟的可靠替代方案？

主要发现

• 梯度提升回归树（GBRT）在预测平均风压与脉动风压方面，均优于决策树回归器与随机森林。
• GBRT模型在雷诺数10⁴至10⁶以及湍流强度0%至15%的范围内均实现了高精度。
• GBRT模型展现出强大的泛化能力，在整个测试参数范围内均保持高精度。
• 本研究证实，GBRT模型可作为传统风洞试验与CFD模拟的高效且经济的替代方案。
• 训练后的模型以高保真度捕捉了复杂的风压分布模式，包括分离点与峰值压力。