基于集成学习框架的低层建筑屋面平均外部压力系数预测与特征归因分析

《Scientific Reports》：Machine learning prediction and analysis of area-averaged external pressure coefficients for low-rise dual-slope building roofs in a uniform turbulent flow field

　　

摘要

屋面面积平均外部压力系数（\({\overline{C}}_{p,A}\)）的准确预测对于低层建筑设计至关重要。为了将几何效应和湍流效应与大气风切分离开，研究人员在均匀湍流条件下进行了风洞实验，涵盖了屋面坡度角（0°–30°）、风向和湍流强度。为了克服传统回归方法的平滑化局限性，研究人员开发并评估了一个集成学习框架（随机森林、XGBoost和LightGBM），并采用了严格的留一坡度交叉验证（LOSO）策略。结果表明，在屋面坡度角约为α = 18.4°时，在斜向风条件下发生了显著的气动压力响应变化。XGBoost保持了稳健的预测性能，在非线性的过渡条件下优于传统的响应面建模方法。此外，在α = 30°时的外推失败揭示了数据驱动模型在预测未见气动状态时的实际局限性。最后，SHAP分析表明，模型推导的特征归因模式总体上与先前报道的气动观测结果一致，为复杂流动过渡条件下的风荷载预测提供了一个物理上可解释的框架。