利用人工神经网络和基于性能的工程评估龙卷风的结构效应

卢卡·卡拉科格利亚，东北大学

龙卷风的风速可以达到每小时200到300英里，几乎是5级飓风速度的两倍，然而在美国几乎没有任何关于龙卷风的建筑规范或设计标准。原因之一是这些事件相对罕见:它们发生的频率太低，在典型结构的生命周期内无法观测到。目前的做法是在龙卷风易发地区为高占用率的建筑结构配备专门的避难所，以保护居民。安装科学仪器来收集龙卷风的实时风流信息几乎是不可能的。因此，建模或预测它们的破坏潜力是极具挑战性的。

我以前的博士生Viet Le和我开发了一种基于性能的工程(PBE)的解决方案，这是一种评估结构对人为或环境危害的概率响应的方法。虽然近年来PBE已被应用于风力工程，但大多数项目都集中在大规模、固定的风现象上，如热带外低气压产生的飓风或风暴。关于龙卷风的PBE研究很少。

我们基于性能的龙卷风工程(PBTE)应用程序PBTE_ANN使用代理建模方法，其中使用经过训练的人工神经网络(ANN)进行预测，取代基于物理建模的较长数值模拟。PBTE_ANN提供了一种方法来解释龙卷风风荷载的不确定性，同时使研究人员能够评估结构失效的概率，并对龙卷风易发地区的结构进行生命周期成本分析(LCCA)。

内置MATLAB^®通过深度学习工具箱™，我们的PBTE_ANN应用程序加快了PBTE评估所需的数千次结构对飓风风荷载响应的蒙特卡罗模拟(图1)。PBTE_ANN使我们能够在几分钟内完成以前需要数小时的结构分析。

图1。包含代理建模和风荷载不确定性传播的PBTE仿真框架流程图。

MATLAB使我们能够构建应用程序的第一个版本，结合了易于使用的界面和代理模型ANN，尽管我们之前在深度学习或用户界面设计方面几乎没有经验。

风荷载与结构动力响应模拟

PBTE_ANN的核心是一种模拟施加在垂直结构上的龙卷风风荷载的算法。在应用程序的初始版本中，结构类似于单极塔，类似于安装在垂直桅杆上的矩形招牌(图2)。我们使用基于流体动力学理论的多个数值模型在MATLAB中生成龙卷风风载荷¹．输入参数可以包括龙卷风的径向大小和最大切向速度，以及招牌面积、高度、质量和支撑结构的抗弯刚度。金宝app

图2。龙卷风核心和单极塔结构的示意图。

该算法将产生的风荷载应用到结构模型中，计算结构的动力响应。如果结构的峰值位移超过了一组预定义的阈值，算法就会得出结论，该结构已经被龙卷风损坏、翻倒或摧毁。

在标准的PBTE评估中，在一系列龙卷风大小和强度上重复模拟。结果用于创建一个脆弱的表面,描述目标结构被破坏概率的可视化图(图3)。

图3。脆弱面显示在一系列龙卷风大小(半径\(R\))和强度(最大切向速度\(\bar{V}_{max}\)和高度\(h=H_P\)的3秒等效阵风速度\(U_{h,3s}\))范围内严重结构损坏的概率(\(F\)。

代理模型的设计与训练

PBTE模拟计算量大且耗时;即使是一个相对简单的单极塔模型的单一模拟也需要几分钟才能完成。运行生成脆弱表面所需的所有模拟可能需要几个小时。

为了减少这个过程的计算需求，我们使用了一个代理模型:一个用深度学习工具箱设计和训练的ANN。为了为人工神经网络生成训练数据，我们对龙卷风大小和速度的代表性样本进行了模拟。例如，我们可以对6个不同的龙卷风半径进行模拟，范围从30米到180米，6个最大切向速度范围从20米/秒到70米/秒，总共进行36次模拟。我们通过并行计算工具箱™在多个核上并发运行模拟来减少模拟时间。在每次模拟结束时，确定结构是完好的还是永久损坏的。我们用这些结果来训练人工神经网络。

在选择一个具有两个输入神经元(一个用于龙卷风强度，一个用于大小)、一个具有四个隐藏神经元的隐藏层和一个用于近似脆弱性或失败概率的输出层之前，我们对几个人工神经网络架构进行了实验。我们发现，具有额外神经元和隐藏层的网络往往会过度拟合，产生不现实的脆弱表面，具有局部的、不一致的波动。更简单的ann产生光滑、单调的表面，这更符合物理现象。然而，用户可以使用在线算法选择不同的人工神经网络架构，并检查其对仿真结果的影响。

通过使用训练过的人工神经网络进行预测，我们将完成整个易损性表面蒙特卡罗模拟所需的计算工作量减少了约80%。