一种基于新颖的并行特征融合策略的机器学习方法，用于准确预测和预警风力作用下太阳能塔的振动现象

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：A novel parallel feature fusion strategy-based machine learning approach for accurate prediction and early warning of wind-induced vibrations of solar towers

风振预测中，基于LSTM、GRU和改进Transformer的并行特征融合模型结合ELM分层融合机制，通过风洞实验与实地数据验证，显著提升复杂耦合场景下的预测精度与实时性，并开发出可靠预警系统。

　　

刘敏|李朗|李守英|聂贤辉|刘蓓莉|李守克

湖南省风阻与振动控制重点实验室，湖南科技大学土木工程学院，湘潭411201，湖南，中国

摘要

太阳能塔是一种高度柔性的结构，容易受到风诱导的振动影响，这会显著降低聚光太阳能（CSP）电站的运行效率，更严重的是，可能会危及结构的安全性。随着结构健康监测（SHM）技术的日益成熟和多源传感数据的日益丰富，数据驱动的预测方法已成为实时评估和预警风诱导振动的关键手段。然而，传统的机器学习模型在预测时常表现出一定的随机性，并且难以准确预测由强流固耦合引起的风诱导振动响应，尤其是在太阳能塔中这种问题尤为明显。此外，这些模型通常需要大量的超参数调整，导致计算成本高昂且预测效率降低。为了克服这些限制，我们提出了一种基于并行特征融合策略的新型数据驱动预测方法。该模型在双分支架构中整合了长短期记忆网络（LSTM）、门控循环单元（GRU）和改进型Transformer，利用门控机制和多头注意力机制进行多尺度特征提取。然后，设计了一个基于极限学习机（ELM）的分层特征融合模块，以实现来自两个分支的多源特征的高效整合。通过在一个缩比的气动弹性模型上进行的风洞实验以及与实际运行塔的现场测量数据对比，验证了所提出方法的有效性。最后，基于该模型开发了一个预警系统，证明了其在CSP电站中减轻风害方面的可靠性。

引言

聚光太阳能（CSP）因其环保特性和高运行稳定性而受到广泛关注[1]，[2]，近年来在全球范围内得到了广泛应用。CSP主要有四种配置方式：塔式、抛物面槽式、菲涅尔式和碟式系统，其中塔式系统由于具有优异的热量收集和热电转换效率而成为主流技术。目前，塔式系统占全球CSP安装总量的70%以上。典型的塔式CSP电站包括一个定日镜阵列、热存储单元和一个中央接收塔（见图1）。位于电站核心的太阳能塔是一种高度柔性的混合结构，其圆形截面、较高的细长比、低的基本频率和最小的结构阻尼使其特别容易受到风诱导振动的影响，尤其是在侧风方向上的涡旋诱导共振，这是一种在低风速下频繁发生的风-结构耦合非线性振动。一个显著的例子是摩洛哥的Noor III电站，这是世界上最大的单塔CSP项目，在中等风速条件下施工期间就观察到了大幅度的振动[3]。过度的塔体振动不仅会降低太阳能的集光效率，还可能导致结构损坏或失效。因此，准确预测太阳能塔的风诱导振动对于确保电站的运行可靠性和建立预警系统至关重要。

为了解决这些问题，越来越多的研究关注了太阳能塔在风荷载下的空气动力行为和结构响应[4]，[5]，[6]。有一些传统的方法，如理论分析[7]，[8]、计算流体动力学（CFD）模拟[9]，[10]和风洞试验[11]，[12]。尽管这些方法提供了有价值的见解，但它们受到高计算成本、实验复杂性和模拟精度有限的限制——尤其是在准确捕捉风-结构相互作用的非线性特性方面。这些局限性凸显了需要更高效、更稳健的预测框架来处理现实世界条件下的复杂气动弹性现象。

近年来，SHM技术的成熟以及多源传感数据的增加促进了数据驱动机器学习方法的发展[13]，[14]，[15]。最近的研究证明了机器学习在各种风工程任务中的适用性，包括风压分布预测[16]，[17]、风速预测[18]，[19]、风动力干扰分析[20]，[21]以及结构响应预测[22]，[23]，[24]。这些任务中使用了多种神经网络架构和模型，包括但不限于卷积神经网络（CNN）、LSTM和反向传播神经网络（BPNN）。

这些方法为实时评估风诱导振动和预警提供了有前景的替代方案；然而，传统的机器学习模型仍然存在一些显著的局限性，例如在捕捉峰值响应方面的能力不足、在噪声环境下的鲁棒性有限，以及在应用于强耦合的风-结构系统时缺乏泛化能力。此外，传统模型通常需要大量的超参数优化，导致计算成本高昂，从而产生显著的预测延迟[25]，[26]。在需要实时响应的灾难预警等时间敏感应用中，这一限制尤为关键。研究人员通过构建串联模型架构探索了集成学习策略[27]，[28]，[29]，[30]。虽然这些方法在预测精度上有所改进，但在处理高度非线性和噪声污染的数据时，整体性能提升仍然有限。主要原因可以总结如下：首先，所选的子模型在处理任务时缺乏互补性，无法充分表示数据中的多维信息；其次，在串联集成配置中，下游模型的感知和决策往往受到上游模型偏见输出的主导，导致早期信息丢失。

鉴于这些局限性，本研究提出了一种新的风诱导响应预测框架，该框架结合了并行深度学习分支和高效的特征融合机制，旨在提高实际应用中的准确性、鲁棒性和实时性能。具体来说，选择了LSTM、GRU和Transformer作为子模型。其中，LSTM和GRU构成第一分支，专注于模拟风和结构响应序列的有序演变和局部依赖性；Transformer经过改进后成为第二分支（ImpTrans），强调长距离相互作用和全局依赖性建模，从而能够从收集的数据中并行提取多尺度时间特征。进一步设计了基于极限学习机（ELM）的特征融合模块，以高效整合多分支输出并提升建模能力。

为了全面评估所提出框架的有效性，使用了从缩比气动弹性模型获得的风洞测试数据以及从实际运行的CSP电站收集的全尺度现场监测数据。该模型在各种条件下进行了训练和测试，以评估其预测准确性、效率、鲁棒性和泛化能力。与传统机器学习模型进行了对比实验，证明了所提出方法在捕捉复杂动态响应和在不确定环境中保持稳定预测方面的优越性能。此外，基于该预测框架开发了一个风诱导振动预警系统，并验证了其在实际风害缓解场景中的潜力。

部分摘录

LSTM

LSTM[31]，[32]是循环神经网络（RNN）的一种变体，它在保留隐藏状态独特设计的同时引入了门控机制来改进网络结构。这一改进有效解决了传统RNN中常见的梯度消失和爆炸问题。LSTM单元由四个主要部分组成：遗忘门、输入门、输出门和内部单元状态。网络内的信息流动受到这些门的控制，从而

太阳能塔风诱导振动数据集的收集

2018年10月，在摩洛哥新建的243米高的Noor III太阳能塔上进行了一次为期十天的现场测量活动。10月9日下午，塔顶记录到了平均风速在21.5米/秒到26.1米/秒之间的强风，为捕捉风诱导振动提供了宝贵的数据窗口。加速度数据来自安装在距地面约237米处的传感器（见图6）。然而，涡旋诱导振动（VIV）风

与传统模型单独使用时的比较

为了进一步研究所提出模型的预测性能，应用了传统的机器学习模型LSTM、GRU和ImpTrans进行比较。三种模型的预测结果如图21所示。为简洁起见，这里仅展示了侧风方向的结果。从图21中可以明显看出，所有模型在预测塔的振动趋势方面都表现良好，但在预测峰值响应方面的准确性有限，尤其是LSTM。

大振幅振动的预警

为了充分展示所提出预测方法的实际工程价值，该方法已被开发并集成到一个具有预警功能的系统中。系统的整体工作流程如下：首先从太阳能塔健康监测系统收集历史数据，然后使用这些数据训练模型以学习风-结构响应的映射和演变规律。训练和验证后，将模型与

结论

本研究创新性地应用了并行特征融合策略到风诱导振动预测领域，并提出了一种结合门控机制和多头注意力的新型机器学习模型。该模型基于LSTM、GRU和改进型Transformer构建了双分支特征提取模块，实现了多源特征的多尺度并行提取，深入挖掘数据中的潜在信息，获得了丰富和全面的特征

CRediT作者贡献声明

刘敏：撰写——原始草稿、验证、方法论、资金获取、概念化。李朗：可视化、软件、方法论、调查、数据整理。李守英：撰写——审稿与编辑、监督、资金获取。聂贤辉：调查。刘蓓莉：方法论、调查。李守克：方法论、调查、资金获取。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本工作得到了国家自然科学基金（项目编号：52308501）；国家重点研发计划（项目编号：2025YFF0519700）；国家自然科学基金（项目编号：52378508、52378510）；湖南省自然科学基金（项目编号：2025JJ70090）的支持。