检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

桥梁风工程机器学习研究进展

中国公路学报 2023年第8期36卷 1-13页

作者：赖马树金李文杰冯辉周旭曦张泽宇陈文礼李惠哈尔滨工业大学土木工程智能防灾减灾工业与信息化部重点实验室黑龙江哈尔滨150090 哈尔滨工业大学结构工程灾变与控制教育部重点实验室黑龙江哈尔滨150090 桥梁结构健康与安全国家重点实验室湖北武汉430034 哈尔滨工业大学(深圳)粤港澳数据驱动下的流体力学与工程应用联合实验室广东深圳518055

自然风场复杂风况参数、非线性气动力与流固耦合作用等是桥梁风工程面临的系列主要挑战。在过去几十年中,风洞试验、CFD数值模拟和结构健康监测(SHM)积累了大量桥梁结构风与风效应数据,这为风工程的研究提供了宝贵的数据资源。由于具有... 详细信息

自然风场复杂风况参数、非线性气动力与流固耦合作用等是桥梁风工程面临的系列主要挑战。在过去几十年中,风洞试验、CFD数值模拟和结构健康监测(SHM)积累了大量桥梁结构风与风效应数据,这为风工程的研究提供了宝贵的数据资源。由于具有良好的非线性表征能力、强大的优化算法、优异的泛化性能和灵活的网络结构,近年来机器学习(尤其是深度学习)在非线性科学和工程问题中取得了巨大成功。融合机器学习算法和大数据的数据驱动方法有助于克服桥梁风工程所面临的挑战,并从海量数据中挖掘物理新知识。目前机器学习方法已应用于风工程研究的各个领域,例如风环境、空气动力学、风致振动、气动优化和控制以及风灾害评估等。为系统总结梳理该领域的最新研究成果,从桥梁风环境机器学习预测、结构风压和气动力机器学习预测、桥梁风振机器学习预测3个方面重点介绍机器学习方法在桥梁风工程中的应用进展。

关键词：桥梁工程风工程综述机器学习风致振动

在线全文

学校读者我要写书评

暂无评论

基于人工神经网络的可压缩湍流大涡模拟模型

航空学报 2021年第9期42卷 145-160页

作者：谢晨月王建春万敏平陈十一南方科技大学工学院力学与航空航天工程系深圳518055 南方科技大学粤港澳数据驱动下的流体力学与工程应用联合实验室深圳518055

在国家数值风洞(NNW)工程项目的指导下,空间人工神经网络(SANN)模型被用于强可压缩湍流大涡模拟(LES)研究,其中流场的湍流马赫数分别为0.6、0.8、1.0。基于湍流的多尺度空间结构特性和人工神经网络方法发展的高精度空间神经网络(SANN)... 详细信息

在国家数值风洞(NNW)工程项目的指导下,空间人工神经网络(SANN)模型被用于强可压缩湍流大涡模拟(LES)研究,其中流场的湍流马赫数分别为0.6、0.8、1.0。基于湍流的多尺度空间结构特性和人工神经网络方法发展的高精度空间神经网络(SANN)模型适用于不可压缩湍流和弱可压缩湍流。对于强可压缩湍流,流场中会出现激波结构,给大涡模拟带来了挑战。本文的研究结果表明:SANN模型适用于强可压缩湍流的大涡模拟。在先验分析中,SANN模型预测的亚格子应力和亚格子热流的相关系数超过0.995,远远高于梯度模型和近似反卷积模型等传统模型;传统模型的相对误差大于30%,而SANN模型在这方面有很大的改进,相对误差低于11%。在后验分析中,与隐式大涡模拟(ILES)、动态Smagorinsky模型(DSM)、动态混合模型(DMM)相比,SANN模型能更精确地预测能谱、各类湍流统计特性以及瞬态流动结构。因此,基于湍流多尺度空间结构特性的人工神经网络模型加深了人们对强可压缩湍流亚格子建模的认识,同时可以服务于NNW工程的流体力学模型构造。

关键词：可压缩湍流大涡模拟人工神经网络湍流模型国家数值风洞(NNW)工程

在线全文

学校读者我要写书评

暂无评论

物理增强的流场深度学习建模与模拟方法

力学学报 2021年第10期53卷 2616-2629页

作者：金晓威赖马树金李惠哈尔滨工业大学土木工程智能防灾减灾工业与信息化部重点实验室哈尔滨150090 哈尔滨工业大学结构工程灾变与控制教育部重点实验室哈尔滨150090 哈尔滨工业大学(深圳)粤港澳数据驱动下的流体力学与工程应用联合实验室广东深圳518055

流体运动理论上可用Navier-Stokes方程描述,但由于对流项带来的非线性,仅在少数情况可求得方程解析解.对于复杂工程流动问题,数值模拟难以高效精准计算高雷诺数流场,实验或现场测量难以获得流场丰富细节.近年来,人工智能技术快速发展,... 详细信息

流体运动理论上可用Navier-Stokes方程描述,但由于对流项带来的非线性,仅在少数情况可求得方程解析解.对于复杂工程流动问题,数值模拟难以高效精准计算高雷诺数流场,实验或现场测量难以获得流场丰富细节.近年来,人工智能技术快速发展,深度学习等数据驱动技术可利用灵活网络结构,借助高效优化算法,获得对高维、非线性问题的强大逼近能力,为研究流体力学计算方法带来新机遇.有别于传统图像识别、自然语言处理等典型人工智能任务,深度学习模型预测的流场需满足流体物理规律,如Navier-Stokes方程、典型能谱等.近期,物理增强的流场深度学习建模与模拟方法快速发展,正逐渐成为流体力学全新研究范式:根据流体物理规律选取网络输入特征或设计网络架构的方法称为物理启发的深度学习方法,直接将流体物理规律显式融入网络损失函数或网络架构的方法称为物理融合的深度学习方法.研究内容涵盖流体力学降阶模型、流动控制方程求解领域.

关键词：物理增强的深度学习降阶模型方程求解湍流

基于格子玻尔兹曼方法的局部网格加密算法——粗细网格间的数据转换

在线全文

学校读者我要写书评

暂无评论

力学学报 2023年第11期55卷 2480-2503页

作者：刘春友李作旭王连平南方科技大学力学与航空航天工程系广东深圳518055 南方科技大学复杂流动及软物质研究中心广东深圳518055 广东省湍流基础研究与应用重点实验室广东深圳518055

格子Boltzmann方法作为一种高效的介观计算流体力学方法在过去20多年里得到快速发展,其相对较高的计算效率和灵活性使其可以适用于各种复杂流动的模拟.然而标准的格子Boltzmann方法只能使用均匀的直角网格,这种网格排布方式并不利于复... 详细信息

格子Boltzmann方法作为一种高效的介观计算流体力学方法在过去20多年里得到快速发展,其相对较高的计算效率和灵活性使其可以适用于各种复杂流动的模拟.然而标准的格子Boltzmann方法只能使用均匀的直角网格,这种网格排布方式并不利于复杂流动的计算.为此,基于格子Boltzmann方法的局部网格加密算法在文献中被提出.该算法需要在局部加密的界面处将粗细网格间的分布函数转换后交换.目前分布函数的转换方式大多是在没有源项的情况下推导的,而且现存考虑源项时转换公式的推导也都是基于Chapman-Enskog展开;其推导过程相对复杂,且需要对分布函数的非平衡态部分做一阶Chapman-Enskog近似,这有可能会限制局部网格加密算法在高阶格子Boltzmann方法中的应用.文章在忽略时空离散误差的前提下,以保证连续分布函数变量以及物理松弛系数一致为基础,构建了一套规范且简洁的粗细网格间在考虑任意源项时,分布函数转换关系的推导过程,该方法不依赖于Chapman-Enskog展开以及Chapman-Enskog近似,且该方法既可以适用于单松弛碰撞模型也可以适用于多松弛碰撞模型.此外,还从理论上证明了,保证粗细网格间非平衡态部分的一阶Chapman-Enskog近似一致,便可以保证整个非平衡态部分的一致,这将有助于扩展局部网格加密算法中转换关系的应用范围.最后,通过对强迫泰勒-格林涡流动、平板泊肃叶流中对流-扩散问题和顶盖驱动方腔流动进行数值模拟,良好的数值结果证实了转换关系对复杂源项的适应性以及局部网格加密技术在处理复杂流动问题方面的优势.同时,通过对一维剪切波问题的模拟,发现由局部网格加密引起的数值黏性与加密区域的选取有很大的关系.

关键词：格子Boltzmann方法局部网格加密数据转换

在线全文

学校读者我要写书评

暂无评论

基于深度学习的建筑风压场超分辨率重构

基于深度学习的建筑风压场超分辨率重构

作者：陈霄哈尔滨工业大学

学位级别：硕士

随着经济的不断发展,城市中涌现出了大量的风敏感结构,对风敏感结构表面风压进行监测势在必行。为了实时获取高分辨率的建筑物风压场数据,本文基于深度学习技术建立了建筑表面风压场超分辨率重构实现框架。将此框架部署在风敏感结构健... 详细信息

随着经济的不断发展,城市中涌现出了大量的风敏感结构,对风敏感结构表面风压进行监测势在必行。为了实时获取高分辨率的建筑物风压场数据,本文基于深度学习技术建立了建筑表面风压场超分辨率重构实现框架。将此框架部署在风敏感结构健康监测系统中,可以实时获取风敏感结构表面高分辨率风压场,协助使用者了解建筑物的风致响应,保障建筑物在强风作用下的安全。风压场超分辨率重构实现框架由以下几部分构成:获取高分辨率风压场数据集,对高分辨率风压场数据集进行前处理,超分辨率深度学习模型的选定,深度学习模型的超参数优化及训练,训练好的模型在测试集上的测试。为了探究风压场超分辨率重构实现框架的可行性,本文将此框架在理想建筑模型和实际工程结构两种工况下进行了测试,观察框架在两种工况下的性能表现。针对理想建筑模型,本文首先将深度学习模型(残差网络和生成对抗网络)与传统方法(双线性插值与双三次插值)生成的高分辨率风压场进行对比,发现深度学习模型的性能明显优于传统方法;其次,将残差网络和生成对抗网络生成的结果进行对比,发现生成对抗网络模型在重构高分辨率风压场方面优于残差网络模型;此外,生成对抗网络模型在实验中被证明可以仅使用20%的测压管数据就可重构得到可信的高分辨率风压场,在测试集上的测试结果R值达到0.969,且模型对于各种工况均表现良好;同时,采用k均值聚类算法比使用完全规则化处理会更进一步提取特征,使得深度学习模型性能增强。在理想建筑模型上,风压场超分辨率重构实现框架获取高分辨率风压场的测试是有效的。针对实际工程结构,分析了训练时测压管的数量对于获得的深度学习模型性能的影响:数量越多,深度学习模型性能越好;同时比较了在相同数量测压管的前提下,使用k均值聚类算法进行前处理可以协助模型预测更为准确的高分辨率风压场。在实际工程结构上,证明了风压场超分辨率重构实现框架在更为复杂的建筑形态下的强大重构能力。综上所述,本文采用深度学习技术来建立风压场超分辨率重构实现框架,并用此框架从低分辨率风压场中获取高分辨率风压场。此框架不仅可以提供准确的风压数据,为设计人员提供工程指导依据,同时也可以解决高分辨率风压场数据需求与监测时测压管明显不足之间的矛盾。

关键词：深度学习超分辨率重构风敏感结构生成对抗网络聚类算法