基于机器学习的方形截面高层建筑干扰风压预测

TU973.213%TU317.1; 为了预测干扰作用下方形截面高层建筑风荷载,进行了 576组工况的风洞干扰试验.应用3种机器学习方法对受扰建筑风荷载进行了预测模型的训练、测试和对比验证.预测结果表明:决策树回归(DTR)、随机森林(RF)和梯度提升回归树(GBRT)模型均能有效预测受扰建筑风荷载,且预测平均风荷载性能优于预测极值风荷载;GBRT模型在预测风荷载方面表现最佳,该模型预测极小值和平均风荷载得到的R2分别为0.994 0和0.999 7;经过超参数优化的GBRT模型,不论是内插还是外推,均能展现良好的预测性能;对比显示在迎风面及两侧面上预测风压分布较好,在背风面预测效果相对较弱....

Full description

Saved in:
Bibliographic Details
Published in东南大学学报（自然科学版） Vol. 54; no. 6; pp. 1425 - 1437
Main Authors 胡松雁, 谢壮宁, 杨易
Format Journal Article
LanguageChinese
Published 华南理工大学亚热带建筑与城市科学全国重点实验室,广州 510641 01.11.2024
Subjects
wind pressure coefficient
interference effect
机器学习
gradient boosting regression tree
梯度提升回归树
干扰效应
高层建筑
high-rise buildings
machine learning
风压系数
Online AccessGet full text
ISSN1001-0505
DOI10.3969/j.issn.1001-0505.2024.06.011

Cover

More Information
Summary:TU973.213%TU317.1; 为了预测干扰作用下方形截面高层建筑风荷载,进行了 576组工况的风洞干扰试验.应用3种机器学习方法对受扰建筑风荷载进行了预测模型的训练、测试和对比验证.预测结果表明:决策树回归(DTR)、随机森林(RF)和梯度提升回归树(GBRT)模型均能有效预测受扰建筑风荷载,且预测平均风荷载性能优于预测极值风荷载;GBRT模型在预测风荷载方面表现最佳,该模型预测极小值和平均风荷载得到的R2分别为0.994 0和0.999 7;经过超参数优化的GBRT模型,不论是内插还是外推,均能展现良好的预测性能;对比显示在迎风面及两侧面上预测风压分布较好,在背风面预测效果相对较弱.GBRT模型可为预测干扰作用下高层建筑风荷载提供一种经济有效的、可以部分替代传统风洞试验和数值模拟的机器学习方法.
ISSN:1001-0505
DOI:10.3969/j.issn.1001-0505.2024.06.011