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:它们发生得太不频繁，以至于在一个典型结构的生命周期内很难观察到。目前的做法是在龙卷风易发地区为占用率高的建筑结构配备专门的庇护所，以保护居民。安装科学仪器来收集龙卷风的实时风速信息几乎是不可能的。因此，建模或预测它们的破坏性潜力是极具挑战性的。

我和我以前的博士生Viet Le开发了一种解决方案，使用基于性能的工程(PBE)，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已被用于风力工程，但大多数项目都侧重于大规模的静止风现象，如热带外低气压产生的飓风或风暴。很少有人对PBE进行关于龙卷风的调查。

我们基于性能的龙卷风工程(PBTE)应用，PBTE_ANN，使用了一种替代建模方法，其中使用训练有素的人工神经网络(ANN)进行预测，取代了基于物理建模的更长数值模拟。PBTE_ANN提供了一种考虑龙卷风风荷载不确定性的方法，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寿命周期成本分析(LCCA)。

建在MATLAB^®利用深度学习工具箱™，我们的PBTE_ANN应用程序加快了数千次对龙卷风荷载的结构响应的蒙特卡罗模拟，这需要进行PBTE评估(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所示。结合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，其中包含一个易于使用的界面和一个代理模型ANN，尽管我们之前在深度学习或用户界面设计方面没有什么经验。

模拟风荷载和结构动力响应

PBTE_ANN的核心是一种模拟龙卷风荷载作用于垂直结构的算法。在应用程序的最初版本中，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)。我们在MATLAB中使用基于流体动力学理论的多个数值模型生成龙卷风风荷载¹．输入参数可以包括龙卷风的径向尺寸和最大切向速度，以及标识面积、高度、质量和支撑结构的抗弯刚度。金宝app

图2。龙卷风芯和单极塔结构示意图。

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，算法就会得出结构已经被龙卷风破坏、倾覆或摧毁的结论。

在标准的PBTE评估中，模拟重复了一系列龙卷风的大小和强度。结果用于创建脆弱的表面,描述目标结构被破坏概率的可视化(图3)。

图3。脆弱面显示在龙卷风的大小范围(半径R\)和强度范围(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})发生严重结构破坏的概率(\(F\))。

设计和培训代理模型

PBTE模拟计算密集且耗时;即使是一个相对简单的单极塔模型，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:一个使用深度学习工具箱设计和训练的人工神经网络。为了为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，我们可以在6个最大切向速度(20米/秒到70米/秒)下对6个30米到180米的不同龙卷风半径进行模拟，总共进行36个模拟。我们通过使用Parallel Computing Toolbox™在多个核上并发运行模拟来减少模拟时间。在每次模拟的最后，结构被确定是完整的还是永久的损坏。我们用这些结果来训练神经网络。

在选择一个“浅层”网络之前，我们用几种神经网络架构进行了实验，该网络有两个输入神经元(一个用于龙卷风强度，一个用于大小)，一个包含四个隐藏神经元的隐藏层，以及一个用于近似脆弱性或失效概率的输出层。我们发现，具有额外神经元和隐藏层的网络倾向于过度拟合，产生不现实的脆弱表面，具有局部的、不一致的波动。更简单的人工神经网络产生光滑、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ANN体系结构，并检查其对仿真结果的影响。

通过使用训练过的神经网络进行预测，我们将完成完整脆性表面的蒙特卡罗模拟所需的计算工作量减少了约80%。