基于多机制增强型物理信息神经网络的山脊-山谷形膜结构风压预测

《Buildings》：Wind Pressure Prediction for Ridge–Valley Membrane Structures Using a Multi-Mechanism Enhanced Physics-Informed Neural Network

　　

摘要

为了解决在测量数据稀少的情况下重建膜结构统计风压场的难题，本研究基于某脊谷型膜结构的风洞测试数据，提出了一种FF-Res-GP-PINN框架。该框架整合了高斯傅里叶特征映射、残差网络、空间梯度惩罚以及拉普拉斯平滑正则化技术。模型以空间坐标和来风方向作为输入，输出平均风压系数和波动风压系数。研究共使用了675组数据，涵盖0°、45°和90°三种来风方向，用于模型的训练与验证。结果表明，与传统的PINN相比，所提出的FF-Res-GP-PINN将验证阶段的均方误差从0.226降低到0.155，降幅达31.4%。消融实验显示，高斯傅里叶特征映射对提升点预测精度的作用最为显著，而空间梯度惩罚和拉普拉斯平滑正则化则主要有助于提高预测风压场的空间连续性。与傅里叶-MLP模型相比，FF-Res-GP-PINN使平均梯度范数、拉普拉斯平滑残差以及空间振荡指数分别降低了约98.5%、96.3%和62.2%。对正则化权重的敏感性分析表明，增加λ_grad和λ_lap值可提升空间平滑度，但也可能增大点预测误差。因此，针对当前数据集，在预测精度与空间正则化之间取得平衡，本研究采用了λ_grad = 2 × 10^?3和λ_lap = 1 × 10^?4的值。研究结果表明，所提出的框架为重建具有特定几何形状且在已知风向条件下的膜结构统计风压场提供了一种可行的方法。不过，对于未知风向、不同结构几何形状以及瞬变风压场，该框架的预测能力仍需进一步验证。