一种非独立低矮建筑风压场预测方法及设备发明专利

专利名称：一种非独立低矮建筑风压场预测方法及设备

专利类型：发明专利

专利申请号：CN202410320621.1

专利申请（专利权）人：四川农业大学
权利人地址：四川省雅安市雨城区新康路46号

专利发明（设计）人：发明人:赵宁,陈晓伟,姜言,徐志龙,谢沛伦

专利摘要：本发明涉及建筑结构风荷载研究技术领域，并具体公开了一种非独立低矮建筑风压场预测方法及设备，包括获取非独立建筑表面风压场的风压场特征参数和风压场统计特征参数并构建数据集，根据所述数据集神经网络模型，通过贝叶斯优化器概率优化方法、反向传播、优化算法以及嵌套神经网络，得到风压场预测模型，根据所述风压场预测模型进行风压场预测，本发明提出的一种非独立低矮建筑风压场预测方法特别适用于处理建筑指标众多且变化大的情况，能够在一定程度上提升对非独立低矮建筑全局预测精度，尤其是边缘、角落以及流动分离区等危险区域的预测精度。

主权利要求：
1.一种非独立低矮建筑风压场预测方法，其特征在于，所述方法包括：S1、获取非独立建筑表面风压场的风压场特征参数和风压场统计特征参数，将所述风压场特征参数作为输入变量，将所述风压场统计特征参数作为输出变量，并构建数据集；
S2、将所述输入变量作为神经元，构建神经网络模型，根据所述数据集训练所述神经网络模型，获取第一预测模型；
S3、通过贝叶斯优化器概率优化方法确定所述第一预测模型的超参数；
S4、根据所述超参数初始化所述第一预测模型，根据所述数据集结合反向传播和优化算法进行训练，获取第二预测模型；
S5、根据所述输入变量从所述第二预测模型中单次获取输出变量，再将获取的输出变量置于输入变量中，生成新神经元，构建嵌套神经网络模型，并重复步骤S3至S5，直到达到预设的重复次数，得到风压场预测模型；
S6、根据所述风压场预测模型进行风压场预测；
其中，单次获取输出变量按照风压场统计矩阵的阶数作为获取顺序，所述获取顺序依次为风压系数均值、风压系数标准差、风压极值正压、风压极值负压、风压系数偏度以及风压系数峰度。
2.根据权利要求1所述的一种非独立低矮建筑风压场预测方法，其特征在于，所述S3具体包括：S31、优化获取函数u(x|D1：t‑1)，以找到下一个采样点xt：xt＝argmaxu(x|D1：t‑1)，其中，u代表获取函数，(x|D1：t‑1)＝{(x1，y1)，…，(xt‑1，yt‑1)}为t‑1时刻从目标函数f(xt)中收集的(t一1)个样本；
S32、执行反向传播神经网络并从目标函数获取样本yt：yt＝f(xt)，
S33、将所述样本yt置于所述数据集中，形成更新的数据集D1：t＝{D1：t‑1，(xt，yt)}，并相应地完善高斯过程模型；
S34、判断是否达到第一收敛条件，若未达到，则返回所述S31；
其中，所述目标函数对应于所述超参数。
3.根据权利要求2所述的一种非独立低矮建筑风压场预测方法，其特征在于，所述第一收敛条件包括固定迭代次数、指定时间限制和相关系数阈值。
4.根据权利要求1所述的一种非独立低矮建筑风压场预测方法，其特征在于，所述超参数包括隐含层数量、不同隐含层神经元数量、学习率、批量大小、迭代次数和训练周期。
5.根据权利要求1所述的一种非独立低矮建筑风压场预测方法，其特征在于，所述S4具体包括：S41、根据所述超参数初始化第一预测模型；
S42、在前馈阶段，由每层的权重系数和偏置系数进行线性和激活计算：其中，Hk与Oj分别代表隐藏层的输出和输出层的输出；m和n分别代表输入层和输出层的节点数；wik表示输入层和隐藏层之间的权重系数；wkj表示隐藏层和输出层之间的权重系数；ak和bj分别代表从输入层到隐藏层和从隐藏层到输出层的偏置系数；
S43、前馈阶段后，通过损失函数获取所述输出变量和所述输出变量对应的真实值之间的残差，并将所述残差从输出层向输入层反向传播，按照梯度下降法更新每一层的权重和偏置：ej＝C(Oj，yj)，其中，ej表示误差，yj为输出变量对应的真实值，C(·)表示成本函数的计算操作；
输入层到隐含层、隐含层到输出层的权重系数更新公式如下：wkj＝wkj+ηHkej，
其中，η表示学习，s为输出层的节点数；
从输入层到隐藏层以及从隐藏层到输出层的偏置系数更新公式如下：bj＝bj+ej，
S44、循环所述前馈阶段和反向传播进行训练，并在训练过程中采用优化算法，直到满足第二收敛条件，获取最优权重和最优偏置系数，生成第二预测模型。
6.根据权利要求5所述的一种非独立低矮建筑风压场预测方法，其特征在于，所述S44具体包括：使用均方误差MSE定义目标函数，公式为：
其中，i代表测量点的数量；
所述优化算法中的权重更新计算为：
T ‑1 T
Δw＝‑[JJ+λI] Je，
T ‑1
其中J代表雅可比矩阵，wj是权重和偏置向量w的第j个元素，向量e代表残差，[JJ+λI]是高斯‑牛顿方法的修改，λI为增量，I为单位矩阵，λ为阻尼因子；
权重系数被更新为：
wnew＝wold+Δw，
其中，Wold代表优化前的权重，wnew代表优化后的权重；
根据更新后的权重系数和偏置系数更新所述目标函数。
7.根据权利要求5所述的一种非独立低矮建筑风压场预测方法，其特征在于，所述第二收敛条件包括达到预设的最大迭代次数和误差达到预设范围。
8.根据权利要求5所述的一种非独立低矮建筑风压场预测方法，其特征在于，所述优化算法采用Levenberg‑Marquardt算法。
9.根据权利要求5所述的一种非独立低矮建筑风压场预测方法，其特征在于，所述方法还包括：从所述数据集中划分出验证集和测试集，根据所述验证集和所述测试集对所述风压场预测模型进行评估。
10.一种电子设备，其特征在于，所述设备包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至9中任一项所述的一种非独立低矮建筑风压场预测方法。 说明书 : 一种非独立低矮建筑风压场预测方法及设备技术领域[0001] 本发明涉及建筑结构风荷载研究技术领域，特别涉及一种非独立低矮建筑风压场预测方法及设备。背景技术[0002] 现代低矮房屋建筑大多以建筑群的形式存在，建筑群干扰效应容易对低矮建筑风压场造成影响，且这些低矮建筑大多对风荷载十分敏感。目前对于非独立低矮建筑的风压场的主要研究手法是基于风洞试验和计算流体力学模拟进行的，然而鉴于建筑群的实际工况较为复杂，增加风洞试验研究的试验工况会导致试验成本显著增加，增加计算流体力学模拟将会导致计算成本显著增加。此外，非独立建筑在建筑群中容易产生建筑群效应以及遮挡效应，在建筑间隙中也容易产生复杂的涡流，这些因素将对非独立建筑的风压产生十分显著的影响。[0003] 由于压力预测问题属于多元非线性建模问题，因此线性插值、回归多项式等传统回归算法被用于这类问题时已经失效。现有的对于这些非试验工况的风压场预测通常基于传统的人工神经网络进行。传统的人工神经网络常常通过增加隐含层层数或隐含层神经元数量来增加神经网络的性能，这将导致计算成本的显著增加。并且没有一种通用方法来确定机器学习模型中的超参数以及可变参数的标准，这导致这些方法学习能力有限，且不能根据数据的实际情况来实时变换参数，因此目前风压预测的精度不高。发明内容[0004] 为了克服现有的非独立低矮建筑风压预测中没有利用机器学习进行风压研究，以及现有的风压场预测神经网络模型精度不高等问题，本发明基于机器学习模型，结合了优化算法包括贝叶斯优化器和Levenberg‑Marquardt算法，以及嵌套神经网络模型，提供了一种可以为非独立低矮建筑结构，例如，住宅建筑群，学校建筑群，以及小型仓库车间等常见的工用民用建筑的结构风压场研究以及结构抗风设计提供必要参考的非独立低矮建筑风压场预测方法及设备。[0005] 随着机器学习方法的发展以及相关优化算法的发展，现阶段能针对一些实际问题使用超参数优化以及参数优化算法来提升神经网络的性能。在此基础上，对于风压场预测的实际案例，可以根据风压场统计矩的相关特性，设计嵌套模型以提高预测的精度。[0006] 为了实现上述发明目的，本发明提供了以下技术方案：[0007] 第一方面，本发明提供了一种非独立低矮建筑风压场预测方法，所述方法包括：[0008] S1、获取非独立建筑表面风压场的风压场特征参数和风压场统计特征参数，将所述风压场特征参数作为输入变量，将所述风压场统计特征参数作为输出变量，并构建数据集；[0009] S2、将所述输入变量作为神经元，构建神经网络模型，根据所述数据集训练所述神经网络模型，获取第一预测模型；[0010] S3、通过贝叶斯优化器概率优化方法确定所述第一预测模型的超参数；[0011] S4、根据所述超参数初始化所述第一预测模型，根据所述数据集结合反向传播和优化算法进行训练，获取第二预测模型；[0012] S5、根据所述输入变量从所述第二预测模型中单次获取输出变量，再将获取的输出变量置于输入变量中，生成新神经元，构建嵌套神经网络模型，并重复步骤S3至S5，直到达到预设的重复次数，得到风压场预测模型；[0013] S6、根据所述风压场预测模型进行风压场预测；[0014] 其中，单次获取输出变量按照风压场统计矩阵的阶数作为获取顺序，所述获取顺序依次为风压系数均值、风压系数标准差、风压极值正压、风压极值负压、风压系数偏度以及风压系数峰度。[0015] 根据一种具体的实施方式，上述风压场预测方法中，所述S3具体包括：[0016] S31、优化获取函数u(x|D1:t‑1)，以找到下一个采样点xt：[0017] xt＝argmaxu(x|D1:t‑1)，[0018] 其中，u代表获取函数，(x|D1:t‑1)＝{(x1,y1),…,(xt‑1,yt‑1)}为t‑1时刻从目标函数f(xt)中收集的(t‑1)个样本。[0019] S32、执行反向传播神经网络并从目标函数获取样本yt：[0020] yt＝f(xt)，[0021] S33、将所述样本yt置于所述数据集中，形成更新的数据集D1:t＝{D1:t‑1,(xt,yt)}，并相应地完善高斯过程模型；[0022] S34、判断是否达到第一收敛条件，若未达到，则返回所述S31；[0023] 其中，所述目标函数对应于所述超参数。[0024] 根据一种具体的实施方式，上述风压场预测方法中，所述第一收敛条件包括固定迭代次数、指定时间限制和相关系数阈值。[0025] 根据一种具体的实施方式，上述风压场预测方法中，所述超参数包括隐含层数量、不同隐含层神经元数量、学习率、批量大小、迭代次数和训练周期。[0026] 根据一种具体的实施方式，上述风压场预测方法中，所述S4具体包括：[0027] S41、根据所述超参数初始化第一预测模型；[0028] S42、在前馈阶段，由每层的权重系数和偏置系数进行线性和激活计算：[0029][0030][0031] 其中，Hk与Oj分别代表隐藏层的输出和输出层的输出；m和n分别代表输入层和输出层的节点数；wik表示输入层和隐藏层之间的权重系数；wkj表示隐藏层和输出层之间的权重系数；ak和bj分别代表从输入层到隐藏层和从隐藏层到输出层的偏置系数；[0032] S43、前馈阶段后，通过损失函数获取所述输出变量和所述输出变量对应的真实值之间的残差，并将所述残差从输出层向输入层反向传播，按照梯度下降法更新每一层的权重和偏置：[0033] ej＝C(Oj,yj)，[0034] 其中，ej表示误差，yj为输出变量对应的真实值，C(·)表示成本函数的计算操作；[0035] 输入层到隐含层、隐含层到输出层的权重系数更新公式如下：[0036][0037] wkj＝wkj+ηHkej，[0038] 其中，η表示学习，s为输出层的节点数。[0039] 从输入层到隐藏层以及从隐藏层到输出层的偏置系数更新公式如下：[0040][0041] bj＝bj+ej，[0042] S44、循环所述前馈阶段和反向传播进行训练，并在训练过程中采用优化算法，直到满足第二收敛条件，获取最优权重和最优偏置系数，生成第二预测模型；[0043] 根据一种具体的实施方式，上述风压场预测方法中，所述S44具体包括：[0044] 使用均方误差MSE定义目标函数，公式为：[0045][0046] 其中，i代表测量点的数量；[0047] 所述优化算法中的权重更新计算为：[0048] Δw＝‑[JTJ+λI]‑1JTe，[0049][0050] 其中J代表雅可比矩阵，wj是权重和偏置向量w的第j个元素，向量e代表残差，[JTJ+‑1λI] 是高斯‑牛顿方法的修改，λI为增量，I为单位矩阵，λ为阻尼因子；[0051] 权重系数被更新为：[0052] wnew＝wold+Δw，[0053] 其中，wold代表优化前的权重，wnew代表优化后的权重；[0054] 根据更新后的权重系数和偏置系数更新所述目标函数。[0055] 根据一种具体的实施方式，上述风压场预测方法中，所述第二收敛条件包括达到预设的最大迭代次数和误差达到预设范围。[0056] 根据一种具体的实施方式，上述风压场预测方法中，所述优化算法采用Levenberg‑Marquardt算法。[0057] 根据一种具体的实施方式，上述风压场预测方法中，所述方法还包括：[0058] 从所述数据集中划分出验证集和测试集，根据所述验证集和所述测试集对所述风压场预测模型进行评估。[0059] 一种电子设备，其特征在于，所述设备包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的一种非独立低矮建筑风压场预测方法。[0060] 与现有技术相比，本发明的有益效果：[0061] 本发明采用神经网络进行风压场数据的处理和分析，通过本发明获得的风压场预测模型，只需要将需要预测的指标输入神经网络，即可以准确的重建风压场。这在一定程度上减少了对风洞试验和计算流体力学模拟的依赖。本发明整合了贝叶斯优化器、优化算法和嵌套神经网络模型，极大地激发了浅层反向传播神经网络的非线性拟合能力。这种模型具备自学习、自组织和自适应的特性。相较于传统的机器学习算法，本发明在预测风压场时能够考虑更多的风压场参数特征，本发明提出的一种非独立低矮建筑风压场预测方法特别适用于处理建筑指标众多且变化大的情况时，嵌套模型在风压场预测中挖掘并利用了风压场统计矩的数值特点，能够在一定程度上提升对非独立低矮建筑全局预测精度，尤其是边缘、角落以及流动分离区等危险区域的预测精度。附图说明[0062] 图1为本发明实施例提供的一种非独立低矮建筑风压场预测方法的流程示意图；[0063] 图2为本发明实施例提供的嵌套神经网络的示意图；[0064] 图3为本发明实施例提供的某一未测量工况下的风压系数均值的预测值和实际值的对比图；[0065] 图4为本发明实施例提供的。嵌套神经网络模型对预测极值负压的精度的提升效果示意图。具体实施方式[0066] 下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。[0067] 本申请的说明书实施例和权利要求书及附图中的术语“第一”、“第二”等仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元。方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。[0068] 应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。[0069] 实施例1[0070] 请参考图1，其示出了本发明实施例提供的一种非独立低矮建筑风压场预测方法的流程示意图，所述方法包括：[0071] S1、获取非独立建筑表面风压场的风压场特征参数和风压场统计特征参数，将所述风压场特征参数作为输入变量，将所述风压场统计特征参数作为输出变量，并构建数据集。[0072] 其中，所构造的机器学习数据集包括训练集、验证集以及测试集，每个集合均包括输入与输出数据。训练集是用来训练机器学习模型的数据集。在这个阶段，算法会尝试学习数据中的模式和关系。模型会根据训练数据调整其内部参数，以便能够准确地预测或分类。验证集用于模型的调优和验证。[0073] S2、将所述输入变量作为神经元，构建神经网络模型，根据所述数据集训练所述神经网络模型，获取第一预测模型。[0074] 其中，以输入变量的数量作为模型的神经元数量并进行训练。在本步骤中，模型在训练集上训练完成后，使用验证集来检查模型的性能，如过拟合或欠拟合，并调整模型的参数(如学习率、网络层数、层的大小等)。测试集用于评估模型的最终性能。在模型开发的最后阶段，使用测试集来测试模型的泛化能力，即模型对未见过的数据的处理能力。将输入参数按照如图2所示的预测模型进行输入，则获得相应的预测结果。[0075] 本发明实施例所涉及的相关数据为非独立建筑表面风压场的气动力数据，可来源于现场测量、数值模拟以及风洞试验。其中输入变量对应的风压场特征参数，例如测量探针所在的位置坐标、风向入射角、建筑群密度、建筑高度与建筑宽度比例、建筑高度与建筑深度比例以及建筑高度与周围建筑高度比例等。输出变量为风压场的归一化统计特征，如风压系数均值、风压系数标准差、风压极值正压、风压极值负压、风压系数偏度、风压系数峰度等。[0076] 将预测结果与测试集中的输出数据(真实测量值)进行比较，评估模型的预测精度以及学习能力。需要注意的是，在风压预测中，一般基于风洞试验所测量的不同工况下有限测点的气动力统计数据来构造这三类数据集，同理也可以使用数值模拟和现场测量来获取该数据集，但是数值模拟需要高精度划分网格，往往需要消耗较长的计算时间与较多的计算资源，而现场实测的经济成本较高。[0077] S3、通过贝叶斯优化器概率优化方法确定所述第一预测模型的超参数。[0078] 其中，提前确定该神经网络模型中所需要的超参数，包括隐含层数量、不同隐含层神经元数量、学习率、批量大小、迭代次数以及训练周期等。这些参数的选择会显著影响机器学习模型的学习能力，在传统的人工神经网络中往往使用试错法或经验法进行取值，本方法中通过贝叶斯优化器的贝叶斯概率优化方法进行最优超参数组合的选取。根据各参数的合理区间确定选择范围，以预测结果与实际结果之前的误差最小化为优化目标。[0079] 本发明实施例选取高斯过程作为替代模型。它从特定数据集构建出一个概率框架。在这个结构中，确定决策变量的函数值的概率被增强，以预测新数据点上函数结果的平均值和方差。具体步骤如下包括：[0080] S31、优化获取函数u(x|D1:t‑1)，以找到下一个采样点xt：[0081] xt＝argmaxu(x|D1:t‑1)(1)[0082] 其中，u代表获取函数，(x|D1:t‑1)＝{(x1,y1),…,(xt‑1,yt‑1)}为t‑1时刻从目标函数f(xt)中收集的(t‑1)个样本。[0083] S32、执行反向传播神经网络并从目标函数获取样本yt：[0084] yt＝f(xt)(2)[0085] S33、将所述样本yt置于所述数据集中，形成更新的数据集D1:t＝{D1:t‑1,(xt,yt)}，并相应地完善高斯过程模型；[0086] S34、判断是否达到第一收敛条件，若未达到，则返回所述S31。[0087] 进一步地，所述目标函数对应于所述超参数，在S31的初始迭代中，采样点在搜索空间内随机选择。所述第一收敛条件可以基于神经网络生成的各种因素(例如，固定迭代次数、指定时间限制、相关系数阈值)或其他用户指定的参数。[0088] S4、根据所述超参数初始化所述第一预测模型，根据所述数据集结合反向传播和优化算法进行训练，获取第二预测模型。[0089] 利用S3中已经确定的超参数，利用S1中构造的数据集对反向传播神经网络进行训练，并且通过优化算法确定最优权重与偏置系数，在本实施例中，所述优化算法采用Levenberg‑Marquardt算法。本步骤具体包括：[0090] S41、根据所述超参数初始化第一预测模型；[0091] S42、在前馈阶段，由每层的权重系数和偏置系数进行线性和激活计算：[0092][0093][0094] 其中，Hk与Oj分别代表隐藏层的输出和输出层的输出；m和n分别代表输入层和输出层的节点数；wik表示输入层和隐藏层之间的权重系数；wkj表示隐藏层和输出层之间的权重系数；ak和bj分别代表从输入层到隐藏层和从隐藏层到输出层的偏置系数；[0095] S43、前馈阶段后，通过损失函数获取所述输出变量和所述输出变量对应的真实值之间的残差，并将所述残差从输出层向输入层反向传播，按照梯度下降法更新每一层的权重和偏置：[0096] ej＝C(Oj,yj)(5)[0097] 其中，ej表示误差，yj为输出变量对应的真实值，C(·)表示成本函数的计算操作；[0098] 输入层到隐含层、隐含层到输出层的权重系数更新公式如下：[0099][0100] wkj＝wkj+ηHkej(7)[0101] 其中，η表示学习，s为输出层的节点数。[0102] 从输入层到隐藏层以及从隐藏层到输出层的偏置系数更新公式如下：[0103][0104] bj＝bj+ej(9)[0105] S44、循环所述前馈阶段和反向传播进行训练，并在训练过程中采用优化算法，直到满足第二收敛条件，获取最优权重和最优偏置系数，生成第二预测模型。[0106] 这种前馈和反向传播的循环过程构成了训练阶段。这一阶段会持续迭代，迭代过程使用Levenberg‑Marquardt算法有利于更快收敛且参数较少。[0107] 进一步地，所述S44具体包括：[0108] Levenberg‑Marquardt算法的训练过程首先需要定义误差函数(例如，神经网络当前输出与测量值之间的差异)。误差函数通常使用均方误差(MSE)来定义，它量化了预测值和测量值(y)之间的误差，公式为：[0109][0110] 其中，i代表测量点的数量；[0111] 所述优化算法中的权重更新计算为：[0112] Δw＝‑[JTJ+λI]‑1JTe(11)[0113][0114] 其中J代表雅可比矩阵，包含了误差对权重的一阶导数。这个矩阵指导了神经网络高维空间中权重调整的方向，如式(12)所示。 是实际值与第i个输出神经元目标输出的误差，而wj是权重和偏置向量w的第j个元素。向量e代表残差或实际输出与预测输出T ‑1之间的差异。雅可比矩阵与残差的乘积近似于权重应调整的方向以最小化误差。[JJ+λI]T是高斯‑牛顿方法的修改，其中，JJ近似于高斯‑牛顿法中使用的Hessian矩阵(二阶导数的矩阵)。增量为λI，其中I是单位矩阵，区分了LM算法和高斯‑牛顿法。这个项作为一个“阻尼因子”，控制权重更新的幅度。阻尼因子λ是LM算法的一个独特特性。当λ较大时，算法模仿梯度下降，采取较小、更谨慎的步骤。相反，当λ较小时，LM算法近似于高斯‑牛顿法，采取较大、更积极的步骤。这个阻尼因子在每次迭代后动态调整。如果误差减少，λ则减小，促进更积极的更新。如果误差增加，λ则增大，引导更谨慎的步骤。[0115] 权重系数被更新为：[0116] wnew＝wold+Δw(13)[0117] 其中，wold代表优化前的权重，wnew代表优化后的权重，[0118] 根据更新后的权重系数和偏置系数更新所述目标函数。[0119] 所述第二收敛条件包括达到预设的最大迭代次数，或误差达到可接受范围。[0120] S5、根据所述输入变量从所述第二预测模型中单次获取输出变量，再将获取的输出变量置于输入变量中，生成新神经元，构建嵌套神经网络模型，并重复步骤S3至S5，直到达到预设的重复次数，得到风压场预测模型。[0121] 其中，S4得到最优权重和偏置系数后，对本轮预测的对应指标输出预测结果。随后将本轮预测的结果作为新增的神经元，用于下一轮风压场统计指标的预测。预测指标的顺序按照风压场统计矩的阶数作为划分依据，依次为，风压系数均值、风压系数标准差、风压极值正压、风压极值负压、风压系数偏度以及风压系数峰度。嵌套神经网络的示意图如图2所示。[0122] S6、根据所述风压场预测模型进行风压场预测。[0123] 在本实施例中，获取了风压场预测模型后，利用S1中划分的数据验证集和测试集对训练好的机器学习模型的性能进行验证并具体对模型的预测性能进行评估。评价模型的全局预测性能的指标主要是通过常用的误差评估准则，包括绝对误差、修正相对误差、均方根误差、平均绝对误差、平均相对百分比误差、均方根相对误差和相关系数。对某一未测量工况下的风压系数均值的预测值和实际值的对比如图3所示。嵌套神经网络模型对预测极值负压的精度的提升效果如图4所示。[0124] 本发明通过实施案例显示，使用风洞试验所测得的风压数据，结合部分已知工况，预测在缺失工况下的风压场。以日本东京工业大学(TPU)提供的非独立低层建筑风压数据集为例，本研究选取了山墙屋顶面类型进行分析。使用部分已知工况的风压数据预测缺失工况下的风压场。该数据集涵盖90组不同条件下的数据，包括屋顶坡度角、建筑群面积密度和风向等多种指标。[0125] 综上所述，本发明采用神经网络进行数据处理和分析。神经网络的输入参数包括上述数据集提供的建筑群指标，还包括横坐标、纵坐标、目标建筑以及周围建筑的高宽比等。神经网络输出的结果是对应工况下的风压系数矩阵以及风压系数的极值等。通过按比例随机划分数据集，并按照本专利的训练步骤，可以获得预测模型。得到预测模型后，只需要将需要预测的指标输入神经网络，即可以准确的重建风压场。这在一定程度上减少了对风洞试验和计算流体力学模拟的依赖。本发明整合了贝叶斯优化器、Levenberg‑Marquardt算法和嵌套神经网络模型，极大地激发了浅层反向传播神经网络的非线性拟合能力。这种模型具备自学习、自组织和自适应的特性。相较于传统的机器学习算法，本发明在预测风压场时能够考虑更多的建筑指标。通常而言，常用的机器学习算法使用多组数据只能针对某一变化指标而进行预测，例如，使用从0至180度的36个不同风向角的风压测量结果来预测特定风向角的风压场时，因此机器学习模型多为数据驱动，且多依赖于风洞试验或流体力学模拟。本专利所提出的方法特别适用于处理建筑指标众多且变化大的情况时，嵌套模型在风压场预测中挖掘并利用了风压场统计矩的数值特点，能够在一定程度上提升对非独立低矮建筑全局预测精度，尤其是边缘、角落以及流动分离区等危险区域的预测精度。[0126] 实施例2[0127] 本发明的另一方面，还提供一种电子设备，该设备包括处理器、网络接口和存储器，所述处理器、所述网络接口和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述的一种非独立低矮建筑风压场预测方法。[0128] 在本发明的实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(DigitalSignalProcessor，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、现场可编程门阵列(FieldProgrammableGateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。[0129] 可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。[0130] 存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。[0131] 其中，非易失性存储器可以是只读存储器(Read‑OnlyMemory，简称ROM)、可编程只读存储器(ProgrammableROM，简称PROM)、可擦除可编程只读存储器(ErasablePROM，简称EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM，简称EEPROM)或闪存。[0132] 易失性存储器可以是随机存取存储器(RandomAccessMemory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(StaticRAM，简称SRAM)、动态随机存取存储器(DynamicRAM，简称DRAM)、同步动态随机存取存储器(SynchronousDRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleDataRateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(SynchlinkDRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambusRAM，简称DRRAM)。[0133] 本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。[0134] 应该理解到，本发明所揭露的系统，可通过其它的方式实现。例如所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，模块之间的通信连接可以是通过一些接口，服务器或单元的间接耦合或通信连接，可以是电性或其它的形式。[0135] 另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。[0136] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read‑OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。[0137] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

专利地区：四川

专利申请日期：2024-03-20

专利公开日期：2024-10-11

专利公告号：CN118153438B