基于PINN的大跨度屋盖结构台风风压场预测

《Journal of Wind Engineering and Industrial Aerodynamics》：PINN-based wind pressure field prediction for large-span roof structures during typhoons

　　黄明峰|王岩波|蔡康|孙建平|廖顺策|梁世东|王正国|倪一青•该研究提出了一种OPTVM-PI-LSTM模型，通过嵌入湍流强度关系来预测非平稳风速。•利用超强台风“山竹”的现场数据，证明了该模型在短期预测中的有效性。•开发了GW-PINN模型，用于处理风场重建中随机分布的稀疏测量点。•仅使用1%的稀疏数据点，就成功重建出了大跨度屋顶结构的高精度风压场。

引言
台风对中国沿海地区的建筑物和工程基础设施构成严重威胁。实地观测显示，台风过境时存在复杂的湍流特征，包括风速和风向的显著非平稳性（He等人，2020；Dai等人，2021）。大跨度桥梁和高层建筑尤为脆弱，因为它们对台风期间强风的时空变化极为敏感（Zhang等人，2020；Chu等人，2021）。现有的监测系统通常只能提供少量点状测量数据，难以完整捕捉建筑物周围的风场情况。虽然已有基于数据驱动的方法尝试从有限的观测数据中重建风场（Wu等人，2023），但将物理约束融入机器学习模型仍是一项重要挑战。因此，发展基于物理信息的神经网络（PINN）技术以实现即时风场预测，已成为风工程领域的重要研究方向。

台风风场，尤其是强台风的风场，具有显著的非平稳特性，主要表现为平均风速的时变以及湍流参数的非平稳性（Cai等人，2021、2022）。这种非平稳性增加了短期风速预测的难度（Cai等人，2025a、2025b、2025c）。Yoo等人（2024）利用韩国51个气象站50年的数据证实，台风的快速增强现象（如24小时内持续风速增加超过13米/秒）会导致年最大风速序列出现非平稳模式。Li等人（2022）提出了一种PSO-VMD-Bi-LSTM台风风速预测方法，该方法在不确定性预测方面表现出较强鲁棒性，并初步实现了台风风速的短期低频预测。Sun等人（2023）提出了一种基于卷积长短期记忆（ConvLSTM）神经网络的多步风速时空预测方法。与传统的单一LSTM风速预测方法相比，该模型考虑了风速数据的空间相关性，从而提高了预测精度。Yu等人（2024）在ConvLSTM基础上，首次嵌入了风速的局部和远距离空间相关性，提出了一种新的LLConvLSTM多步风速预测方法，一定程度上提升了风速场的预测精度。类似地，Zheng等人（2023）采用ConvLSTM-LSTM深度学习模型，结合输入的历史气象图像序列特征及时空相关性，实现了分钟级平均风速的精确多步预测。该模型无需受地理位置限制，且能更好预测幅值波动大、频率变化快的风速序列。基于信号分解与机器学习的融合，学者们还开发了多种风速时间序列预测方法，例如高精度的混合优化风速预测模型（HOWSPM）（Yuan等人，2025）、优化后的HHT-NAR模型（Chen等人，2024）、混合CEEMDAN-EWT深度学习方法（Karijadi等人，2023）以及一种新型混合框架（HPMTC-CVMD-IBTA）（Fu等人，2025）。然而，这些方法存在误差累积、对脉动成分的预测性能较差、预测效率低以及预测频率低等问题。目前，在非平稳台风风速的短期预测方面，仍缺乏有效方法。

计算流体动力学（CFD）技术已成为模拟湍流风场和风荷载的主要工具。Zheng等人比较了RANS和LES方法在模拟带阳台建筑物风荷载时的性能差异，发现LES能更准确地捕捉复杂流场结构，从而获得更准确的动态风荷载（Zheng等人，2020）。Shirzadi和Tominaga评估了稳态RANS和LES在预测高层建筑物周围平均风速和湍流风特性方面的性能，强调了周围低层建筑物对风场的重要影响（Shirzadi和Tominaga，2022）。在超高层建筑和密集建筑群中行人水平风环境预测方面也取得了显著进展：Zhang等人（2020）研究了不同形态的超高层建筑对行人风舒适度的影响，揭示了建筑形态与局部风速放大之间的关系；Mirzaei（2021）指出，CFD仍面临计算难题、数据获取困难以及微气候和城市气候建模中物理过程简化等问题。随着科学技术的进步，机器学习和人工智能技术正在改变传统风场预测的模式。Calzolari和Liu（2021）全面总结了深度学习在建筑环境CFD分析中的应用，包括替代模型、湍流模型改进以及基于物理信息的深度学习方法，并指出数据驱动方法可将计算时间大幅缩短。Gao等人（2023）提出了基于多分辨率动态模态分解和粒子群优化-随机森林的最优传感器布局方案，实现了城市街区风场的高精度重建。极端风速预测方法也在不断创新发展：Wang等人（2025）比较了基于RANS和LES的统计方法在确定城市地区低频强风速度方面的性能，为极端风事件预测提供了新思路。

物理信息神经网络（PINN）的出现为湍流流场重建提供了一种强大途径，它通过将物理定律嵌入深度学习架构的损失函数中来实现这一目标。Mao等人（2020）系统展示了PINN在解决高速复杂流体问题中的优势，因为在这些问题上传统求解器常常会出现收敛问题。在钝体空气动力学领域，体表风压的重建已成为热点研究课题。例如，Xu等人（2021）提出了一种方法，利用少量数值模拟数据来重建圆柱体尾流中的风场分布，从而探索缺失的流动动力学信息。Wang等人（2025）利用PINN从稀疏速度测量数据中重建了二维街道峡谷中的平均流，并通过物理约束估算建筑物表面的风压，体现了该技术在减少对密集风洞测量的依赖方面的潜力。Rui等人（2023）开发了一种新的PINN框架，用于重建雷诺数为2.4×10^4的建筑物腔体模型周围的三维风场。Zhang等人（2023）提出了一种基于PINN的方法，利用有限的低分辨率观测数据重建龙卷风涡旋，同时探讨了PINN结构及观测点数量对预测结果的影响。最近，Tong等人（2024）开发了一种名为WPTSE-Net的深度学习模型，无需对非高斯风压时间序列的非线性特征进行表征即可对其进行扩展。其核心创新在于编码器重建机制，该机制利用先验知识省去了寻找潜在空间的复杂步骤。这一改进不仅提升了计算效率和模型性能，还大幅减少了生成模型所需的训练数据量。不过，现有的基于PINN的风场重建方法仍存在收敛速度慢、重建范围有限等问题。

总之，在建筑尺度上预测非平稳台风风场仍存在若干关键问题需要解决：（1）现有的CFD模拟大多针对理想化的城市形态或单栋建筑，现代城市中复杂建筑群内的台风风场特征亟需进一步研究（Huang等人，2024）；（2）高精度的多尺度LES模拟需要较高的计算成本，难以用于台风风速的短期预测；（3）尽管机器学习方法展现出巨大潜力，但其训练数据大多来自风洞实验或理想化的CFD模拟，其在实际台风环境下预测建筑尺度风速和风压场的能力仍有待进一步发展和验证。目前，针对台风期间建筑群周围风压的可靠、高效且精确的短期预测方法仍然不足。如图1所示，本文针对超强台风“山竹”期间的大跨度屋顶结构，构建了一个风压场短期预测框架。研究以深圳气象观测梯度塔测得的非平稳台风风速数据作为训练和测试数据，用于开发所谓的OPTVM-PI-LSTM模型，该模型依据图1中第二步方框所示的湍流关系方程来预测非平稳台风风速。图1的第三步展示了全局加权PINN（GW-PINN）风压场预测模型，该模型基于第二步中OPTVM-PI-LSTM模型得到的台风来流风速以及粗网格下的CFD模拟结果，用于预测建筑尺度上的台风风压场。本文的其余部分安排如下：第2节介绍主要由两种机器学习模型构成的预测框架；第3节以某大跨度建筑结构为案例，展示该模型的预测性能；第4节对全文进行总结。

要点摘录
最优时变平均风速（OPTVM）风速
通常认为，实测风速是一个平稳随机过程，由一个时不变的平均风速分量和一个平稳的波动分量组成。然而，近期研究表明，在极端风环境中（如热带气旋、雷暴和强风），风场往往具有显著的非平稳特性（Jung和Masters，2013），这可能对建筑物空气动力学产生重大影响（Cai等人，2025a、2025b）

案例研究
以台风“山竹”期间深圳梯度塔附近开阔地带的一座大跨度屋顶结构为示例，展示了如何在台风期间重建该屋顶结构周围的风场。首先，应用OPTVM-PI-LSTM非平稳风速模型预测台风期间不同高度处的瞬时风速，然后通过插值得到台风风场边界条件。其次，进行数值CFD计算

结论
本研究提出了一种全新的集成PINN框架，用于预测台风期间的建筑尺度风场。该框架解决了两个核心问题：非平稳台风风速的短期预测，以及基于稀疏测量数据的高分辨率风场重建。研究使用了深圳梯度塔在台风“山竹”期间测得的风速数据，对所提出的OPTVM-PI-LSTM模型进行了训练和评估。该屋顶结构长度为294米，CRediT作者贡献说明
黄明峰：概念设计、资金获取、项目管理、资源协调、监督指导、论文撰写与修订。王岩波：概念设计、数据整理、定量分析、方法设计、软件应用、模型验证、结果可视化、论文初稿撰写。蔡康：数据整理、方法设计、监督指导。孙建平：定量分析、结果可视化。廖顺策：问题调研、方法设计。梁世东：资源协调、结果可视化。王正国：数据整理、资金获取

利益冲突声明
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

致谢
本研究部分得到了国家电网公司科技项目（项目编号521104250028-234-TD）以及国家自然科学基金（项目编号52478564）的支持。