利用机器学习算法评估振动圆柱体中的电压和功率预测：来自风洞实验的见解

《Engineering Applications of Artificial Intelligence》：Assessing voltage and power prediction in vibrating cylinders using machine learning algorithms: Insights from wind tunnel experiments

本研究通过风洞实验生成三个串联圆筒数据集，比较支持向量回归（SVR）、梯度提升回归（GBR）和极端梯度提升回归（XGBoost）预测流体致振电压和功率的性能。结果表明XGBoost表现最佳（R2分别为0.91、0.98和0.86），并利用Sobol敏感性分析揭示位移和上游圆筒直径对系统影响最大。研究证实机器学习可有效建模非线性流体-结构相互作用，为能量收集系统设计提供数据驱动工具。

　　这项研究聚焦于利用流体-结构相互作用（FIV）实现低功率能量收集，尤其是在圆柱体并列布置时的复杂情况。随着可持续能源需求的增长，以及无线传感器和自主设备在工程领域的广泛应用，FIV能量收集技术正逐渐成为一种具有潜力的解决方案。圆柱体在流体作用下产生的振动，可以通过适当的转换装置将机械能转化为电能，从而为小型设备提供电力支持。然而，由于流体-结构相互作用的非线性特性，准确预测由此产生的电压和功率仍然是一项挑战。

为了应对这一挑战，研究团队在风洞中进行了实验，生成了三个不同的数据集，分别对应于不同的并列圆柱体配置。这些数据集用于评估三种机器学习回归算法——支持向量回归（SVR）、梯度提升回归（GBR）和极端梯度提升（XGBoost）——在预测圆柱体振动产生的电压和功率方面的性能。实验结果表明，XGBoost在所有测试案例中均表现出最高的预测准确度，其R2值分别为0.91、0.98和0.86，分别对应于三个数据集。尽管使用了1000个估计器，XGBoost模型仍因其并行树提升结构和内置正则化机制，展现出高效的训练时间，从而在准确性和计算复杂度之间取得了良好的平衡。

研究还引入了Sobol敏感性分析，以量化输入参数对电压和输出功率的影响。分析结果显示，圆柱体之间的位移和上游圆柱体的直径是影响最大的参数，这与不同的配置密切相关。这一发现为设计优化提供了重要的指导，有助于识别哪些参数在能量收集过程中起关键作用，从而在实际应用中进行针对性调整。

从研究背景来看，圆柱体振动能量收集技术已经引起了大量研究者的关注。例如，Adhikari等人（2020）研究了涡旋诱导振动（VIV）及其在小型系统中生成可持续能源的潜力，他们构建了一个具有有限质量的压电梁数学模型，并展示了电感常数的理想值可以最大化从随机电流中获取的能量。Wang等人（2021a）则探讨了使用不同角度的分隔器来增强圆柱体振动产生的压电能量收集效率，发现60°角能够显著提高输出电压，增幅高达188.61%。Salem和Fraňa（2022）研究了压电圆柱体作为新型能量转换器的应用，表明这些圆柱体在不同流速下能够产生较大的电压，且实际结果与预测值高度一致。

此外，Yu等人（2023）研究了方形圆柱体在不同振动形式下的流体诱导振动现象，发现旋转模式下特定的轴向角度能够显著提高能量收集效率。Joy等人（2023）则研究了使用非线性旋转摆锤来增强圆柱体振动幅度，发现这种系统在不同流速下能够产生更高的电能，从而提升整体能量收集效率。Islam等人（2024）研究了利用流体诱导振动和压电转换器生成可再生能源，发现锁定区（lock-in zone）内的输出电压和功率达到峰值，且这些值受到电路电阻的影响。

在单个圆柱体的情况下，流体诱导振动通常被视为一种较为简单且可预测的现象。分析和数值模型可以有效地研究流体流动不稳定性对单个圆柱体振动的影响（Sun et al., 2024; Esmaeili et al., 2025a）。然而，当圆柱体以并列或相邻布置时，这种现象的复杂性显著增加。并列圆柱体之间的流体-结构相互作用变得更加复杂，导致更多的非线性动态现象和不稳定性（Rabiee and Esmaeili, 2021; Esmaeili et al., 2025b）。这种相互作用对振动模式产生显著影响，进而影响能量收集设备的效率。例如，将振动圆柱体以并列布置时，其固有频率和振幅会发生变化（Darbhamulla and Bhardwaj, 2021; Zou et al., 2021），而相邻圆柱体之间的距离可能增强或减弱流体作用力，从而增加研究和预测的复杂性。

近年来，许多研究致力于探索从多个圆柱体或障碍物引起的流体诱导振动中提取能量的潜力。例如，Sun等人（2019）研究了具有特定表面粗糙度的双圆柱体流体诱导振动，发现上游圆柱体在下游圆柱体存在的情况下会产生更大的振动幅度。Han等人（2020）则研究了使用等边三角形布置的三圆柱体进行能量收集，发现减少圆柱体之间的距离可以提高振动幅度并降低振荡频率，从而提升能量效率。Tamimi等人（2021）研究了不同流体对能量提取的影响，发现使用具有特定截面的障碍物可以显著增强圆柱体的机械功率，但高流速会降低效率。Farsi等人（2022a）研究了使用固定障碍物增强风能收集效率，发现固定障碍物的引入可以提高振动幅度并提升功率生成效率，平均提升了三倍。

Wang等人（2021b）研究了在圆柱体下游放置矩形板以增强能量收集效率，发现当矩形板的垂直尺寸为圆柱体直径的两倍，并在距离0.2D到0.4D范围内放置时，能够显著提高输出电压和功率。Su等人（2022）则研究了在圆柱体下游放置方形板的影响，发现适当尺寸和位置的方形板可以有效调控圆柱体振动，从而提升能量收集效率。这种技术相较于对整个圆柱体进行调整更具成本效益。Wang等人（2022）评估了使用半球形障碍物增强气动能量收集效率，发现引入两个半球形障碍物能够减少初始振动速度，同时提升输出电压，增幅高达109%。此外，优化障碍物的曲率和减少喉部宽度也能提升系统效率。

Lei和Sun（2023）研究了在半球形壁面中使用上游障碍物以增强能量收集效率，发现圆柱体和方形圆柱体作为上游障碍物的表现优于其他类型。在风速为4.0 m/s且距离比为10.0的情况下，能量效率提升了38.4%。Rabiee和Esmaeili（2023）研究了三个不同角度布置的圆柱体在流体诱导振动中的能量收集情况，发现45°角的布置效果最佳，能量收集功率提升了288%。Rabiee等人（2024）进一步研究了不同流体角度布置的两圆柱体能量收集情况，发现30°角能够带来最高的能量收集效率，增幅达到548%。15°角则带来了375%的效率提升，排名第二。0°角也表现出一定的效率提升，增幅为293%，排名第三。

随着人工智能和机器学习（ML）技术的发展，其在预测流体-结构相互作用中产生的电压和功率方面的作用日益凸显（Li et al., 2023a; Anthony and Arunachalam, 2024）。这些技术能够分析和建模复杂且非线性的事件，从而在能量收集系统中提供更精确的预测。机器学习算法能够处理来自不同传感器的数据，并识别传统方法难以察觉的复杂模式（Safari et al., 2021a, 2021b）。这些模型能够有效表示由结构和流体相互作用产生的非线性行为，并准确预测生成的电压和功率，从而提升能量收集设备的设计和性能。此外，人工智能技术还能够优化能量管理并控制相关流程，使得机器学习算法可以用于创建能够根据流体和结构条件自主决策的能量收集系统，从而提升整体效率并降低运营成本。

在这一领域，利用人工智能的另一个优势是提高系统对流体动力学和环境变化的预测精度（Sofos et al., 2022）。通过分析历史数据并识别趋势，机器学习算法能够预测结构和流体行为的潜在变化，并提出优化措施以提升能量收集效率。这一能力在动态和复杂的环境中尤为重要，因为结构和流体之间的相互作用可能迅速变化。

近年来，许多研究致力于利用机器学习算法优化流体-结构相互作用中的能量收集系统。Zhang等人（2021）研究了不同参数对压电能量收集器振动响应的影响，使用了梯度提升和随机森林等机器学习模型来预测均方根电压和最大位移。他们的研究是数值模拟性质的，专注于单个圆柱体的配置。相比之下，本研究使用了风洞实验数据，针对并列圆柱体的配置，并应用了多种机器学习算法（XGBoost、SVR、GBR）来评估电压和功率的预测能力。Wang等人（2021b）则通过实验研究了在单个圆柱体下游添加矩形板以增强能量收集效率，发现不同风速条件下输出电压的变化。本研究则不同，它使用了并列圆柱体的配置，未添加额外障碍物，并更关注机器学习预测和参数敏感性分析，而非仅关注电压提升。

Song等人（2023）比较了多种机器学习模型在预测具有鳍形附件的压电能量收集器输出电压方面的性能，发现使用合成实验设置进行模型选择。本研究则强调了真实实验数据，研究了并列圆柱体在不同几何和流体条件下的振动特性，并进行了详细的敏感性分析。Farsi等人（2022b）研究了固定障碍物对风能收集效率的影响，发现障碍物的存在能够增强振动幅度。本研究的配置采用了并列圆柱体，而非任意障碍物，并引入了基于风洞数据训练的先进机器学习模型进行电压和功率预测。

Han等人（2020）研究了等边三角形布置的三圆柱体能量收集情况，分析了间距对振动幅度和能量效率的影响。本研究则关注于更简单的并列圆柱体配置，并构建了三个不同的数据集进行比较分析。Li等人（2023b）建立了一个深度神经网络数据库，用于基于模拟数据预测流体诱导振动产生的功率输出。他们的研究重点在于构建预测数据库，而本研究则通过风洞实验获取了真实的测量数据，并通过Sobol敏感性分析探讨了输入特征的物理意义。Wang等人（2025）研究了安装在振动圆柱体上的仿生非光滑表面结构对能量收集效率的影响，发现表面几何变化能够显著提高输出电压。与他们的表面优化方法不同，本研究关注于并列圆柱体之间的几何关系（直径、间距、位置），并构建了综合数据集以测试模型的鲁棒性。

Gu等人（2021）利用机器学习预测双圆柱体在流体诱导振动下的振荡幅度，基于计算流体动力学（CFD）数据和多种流体入射条件进行研究。本研究则扩展了这一范围，通过实验专注于电压和功率的预测，并在统一的学习模型中分析了上游和下游圆柱体的激励情况。通过这些比较，可以得出本研究的主要创新点包括：

1. 利用风洞实验生成的实验数据，涵盖了两种不同的圆柱体设计和一个综合数据集。
2. 对三种回归模型（SVR、GBR、XGBoost）在不同FIV情况下进行了比较评估。
3. 引入Sobol敏感性分析，以量化几何和流体相关参数的重要性及相互作用。
4. 专注于电压和功率的实际预测，而非分类或仅限于振幅估计。
5. 引入了一种适用于实际能量收集设备的可扩展数据驱动预测方法。

通过这些创新，本研究不仅提供了对流体诱导振动能量收集系统的深入理解，还为实际工程应用中的设计优化和效率提升提供了有力支持。此外，Sobol敏感性分析的应用有助于识别关键参数，从而在设计过程中进行更有效的调整。这种基于物理特性的敏感性分析方法，使得研究团队能够更全面地了解参数之间的相互作用，为后续研究提供理论依据。

在实验设计方面，本研究采用了一种新的风洞实验框架，系统地评估了并列圆柱体配置下的几何效应对振动幅度和能量输出的影响。这种实验框架不仅考虑了圆柱体的直径、间距和位置，还结合了不同的流体条件，为研究流体-结构相互作用提供了更全面的数据支持。通过生成三个高质量的实验数据集，研究团队能够覆盖不同圆柱体直径、间距和流速的变化，从而确保模型的泛化能力和鲁棒性。

在机器学习模型的实现方面，本研究对SVR、GBR和XGBoost三种算法进行了全面评估，分析了它们在预测FIV产生的电压和功率方面的性能。XGBoost在所有测试案例中均表现出最佳的预测准确度，其R2值分别为0.91、0.98和0.86，表明该模型能够有效处理非线性流体-结构相互作用数据，并对未见过的配置具有良好的泛化能力。SVR和GBR虽然在某些情况下表现良好，但在处理复杂数据时不如XGBoost高效。

在敏感性分析方面，Sobol方法被用来量化几何和流体参数对电压和输出功率的影响。这种方法不仅能够识别主要参数，还能分析它们之间的相互作用，从而为设计优化提供新的视角。通过Sobol分析，研究团队发现圆柱体之间的位移和上游圆柱体的直径是影响最大的参数，这为后续研究提供了重要的参考依据。

此外，本研究引入了一种可扩展的数据驱动预测方法，适用于实际的能量收集设备。这种方法不仅能够提升预测精度，还为可再生能源系统的智能控制和监测提供了可能性。通过将机器学习模型与实际实验数据相结合，研究团队能够构建出更贴近实际应用的预测系统，从而提升整体效率。

综上所述，本研究通过风洞实验和机器学习技术的结合，探索了流体诱导振动在并列圆柱体配置下的能量收集潜力。研究结果表明，XGBoost在预测电压和功率方面表现出最佳性能，同时Sobol敏感性分析为参数优化提供了重要指导。这些发现不仅有助于提升能量收集设备的设计和性能，还为未来在流体-结构相互作用领域的研究提供了新的思路和技术支持。