台风期间双塔结构耦合风预测的动态图学习

《Engineering Structures》：Dynamic graph learning for forecasting coupled winds in twin tower structures during typhoons

　　

摘要
台风期间，动态风荷载可能在间距紧密的超高层建筑之间引发显著的气动干扰，然而传统的预测方法往往依赖于简化的干扰因子模型，在捕捉相邻塔楼之间的相互作用及其复杂的时空演化方面能力有限。本研究提出了一种用于双子塔系统台风风场短期预测的动态图学习框架。该框架基于时空图神经网络（GNN）构建，其中自适应动态图模块（ADGM）利用具有物理意义的大尺度风指标，包括共享的背景平均风向和塔顶平均风速，来条件化时变的塔间连通性。通过利用这些基于风场条件的动态图，网络将最近的塔顶测量数据映射到未来窗口的顺风向、横风向和垂直向湍流强度，以及两座塔楼的平均风速。所提出的模型利用三次台风事件期间从一对间距紧密的超高层塔楼收集的屋顶测量数据进行了评估。与静态图模型和非图 GRU/LSTM 序列基线相比，ADGM 模型提高了湍流强度预测的准确性，与静态图基线相比，R2 相对增加了最高 27.6%，RMSE 相对降低了最高 26.4%，同时提供了相当的平均风速统计精度。对学习的边权重的分析表明，学习到的塔间统计耦合随着来流风向的变化而系统地变化，而无需预先规定干扰模式。这些结果证明了采用气动条件控制和物理可解释的数据驱动方法进行特定站点耦合屋顶风特性短期预测的可行性，在未来监测和预警系统中具有潜在应用价值。

引言
在易受台风影响的海滨特大城市中，超高层建筑和密集的高层建筑集群迅速涌现，并且日益暴露于强烈且高度不稳定的风环境中 [1], [2]。在热带气旋（TCs）的影响下，间距紧密的塔楼可能会经历显著的气动干扰效应，这不仅放大了局部风荷载和风致响应，还使它们对来流风向和台风的演化高度敏感 [3], [4], [5], [6]。特别是对于间距较小的双子塔配置，流场可能受到强烈影响，包括通道效应、屏蔽效应和涡旋相互作用，导致在不同风向下单座塔楼的风效应严重程度发生显著变化，从而增加了正常使用极限状态和安全评估的复杂性 [7], [8], [9]。因此，对于此类标志性结构，在极端风事件期间实现风场的可靠短期预测，对于结构健康监测、基于性能的风抗设计和运营阶段的决策具有重大的工程意义。

在对高层建筑和建筑集群的风效应评估中，大气边界层风洞试验 [10], [11]、计算流体力学（CFD）模拟 [12], [13], [14], [15], [16] 以及最近开发的多尺度数值框架（例如通过将中尺度 WRF 模型与大涡模拟（LES）耦合来建模细化下边界风场）[17], [18], [19] 常被采用。这些基于物理的方法对于阐明流动机制和支持设计规范的制定不可或缺。然而，它们计算成本高昂，且对边界条件和来流风场的指定高度敏感，这使得它们难以直接应用于建筑物使用寿命内特定台风事件的短期预测任务。随着长期结构健康监测系统在许多超高层建筑上的广泛部署，超声波风速仪、风压传感器和加速度计等高频传感器正日益被集成其中，使得能够积累多个台风事件期间的广泛现场测量数据 [20], [21], [22], [23]。这为开发数据驱动模型提供了坚实基础，这些模型可以从历史监测数据中学习，并对关键风特性和结构响应指数进行短期预测。此类方法为传统风洞试验和 CFD 模拟提供了有效的补充。

在风工程和结构工程中，已提出 numerous 数据驱动方法来预测风速和风致效应。这些包括自回归时间序列模型、卡尔曼滤波、支持向量回归以及各种神经网络架构，如生成对抗网络、卷积神经网络和物理信息深度学习方法 [24], [25], [26], [27], [28], [29]。例如，Hu 等 [30] 使用仅 30% 的风洞数据训练 GAN 模型，以预测干扰效应下主建筑的风压系数，在未见过条件下实现了高准确性，并将所需的风洞试验案例减少了约 70%。Liu 等 [31] 采用基于测量风压记录的机器学习（ML）方法，从风压时程或统计参数推断来流风场特性，并对一座超高层建筑的来流风场进行了评估研究。Wei 等 [32] 提出了一种将风洞试验与机器学习相结合的混合框架。通过引入测量点的空间坐标作为输入特征，该框架实现了不同建筑几何形状之间的风压预测知识迁移。Nav 等 [33] 开发了一种基于动态时空特征提取和映射的混合机器学习框架，能够在稀疏传感器配置下准确重建高保真风压系数场。Bakhshizadeh 等 [34] 使用来自 21 个登陆大西洋热带气旋的 10 分钟风速记录训练人工神经网络和支持向量回归模型，旨在预测近地表大气中的归一化摩擦速度和垂直湍流强度，并在极端强风条件下实现了高预测准确性。Shao 等 [35]、Kastner 等 [36] 和 Peng 等 [37] 分别采用物理信息图神经网络（PIGNN-CFD）、基于 GAN 的 CFD 代理模型（CFD-GAN）和傅里叶神经算子（FNO）实现了城市风场的快速预测。Jiang 等 [38] 提出了一种结合变分模态分解、图神经网络和时间预测模块的混合风速预测框架。与几种最先进的 Transformer 模型和基线方法相比，该框架表现出优越的整体性能。降阶时空方法，如固有正交分解（POD）、动态模态分解（DMD）和多分辨率 DMD（mrDMD），也已用于识别风压和流场中的主导和多尺度动力学 [39], [40], [41]。这些方法主要用于模态分析和场重建，而稀疏多结构监测提出了涉及时变节点间依赖关系的监督预测问题。对于此类网络化预测任务，时空图神经网络（STGNNs）已日益应用于定义在网络结构上的各种时空序列建模问题 [42], [43], [44], [45]，并在结构响应、交通流、洪水和地下水位等预测任务中展示了良好的准确性。例如，Luo 等 [46] 对图学习方法和用于交通预测的时空图神经网络进行了系统回顾，并开发了 STG4Traffic 基准平台，以便在统一数据集和评估指标下公平比较代表性模型，从而为后续时空交通预测研究提供标准化评估框架和研究方向。Mo 等 [47] 和 He 等 [48] 分别关注将物理约束纳入时空图神经网络：前者嵌入热弹性偏微分方程以重建高速铁路桥梁中温度引起的缺失应变，而后者基于结构力学构建物理信息邻接矩阵并引入欧拉 - 伯努利梁软约束，以提高斜拉桥挠度预测的准确性和鲁棒性。然而，对于多传感器或多结构系统，大多数现有方法仍将测量点视为独立通道或仅依赖于预定义的静态交互模式。在受台风风影响的双子塔系统中，两座塔楼之间的气动耦合表现出明显的风向依赖性 [49], [50], [51]，并随着台风路径动态变化。具有固定基于几何的邻接的静态图结构因此难以有效捕捉这些依赖于风向的时空相关性。

受此挑战启发，本研究提出了一种感知的风向的时空动态图模型，用于紧密间距高层双子塔屋顶台风风场的短期预测。该模型使用在多次强台风事件期间于东西塔楼顶收集的 20 Hz 超声波风速仪测量数据开发。它通过基于来流风向和速度条件化的自适应图来表示两座塔楼之间时变的统计依赖关系，从而学习依赖于风向的塔间关系，这些关系与不断变化的上游 - 下游配置相关。在此框架内，模型自动从历史风数据中提取时空特征，并生成湍流强度和平均风速的短期预测。本研究的主要进展如下。首先，提出了一种自适应动态图模块（ADGM）来表示双子塔之间的时变耦合，其中东西塔楼之间的统计依赖关系由有向、非对称邻接矩阵表示。通过学习共享平均风向和塔顶平均风速之间的功能关系，该模块动态调整邻接矩阵的边权重，从而学习不同风条件下不断变化的上游 - 下游配置所关联的塔间关系的方向依赖性变化。其次，开发了一个时空特征提取骨干网络，用于预测塔顶的湍流统计量。该网络由多个堆叠的时空块（ST-Blocks）组成，每个块包含一个时间卷积模块和一个在动态图上操作的空间图卷积模块。这样，网络同时学习每座塔楼内部的时间演化和塔楼之间的气动耦合，实现了从历史双子塔湍流序列到未来湍流强度和平均风速的准确映射。第三，通过统计分析和可视化学习到的动态图边权重作为风向和风速的函数，本研究考察了学习到的塔间耦合如何随风向变化，并识别了与相对较强塔间依赖性相关的风向扇区。这为理解双子塔之间的气动干扰机制提供了数据驱动的证据。

本文的其余部分组织如下。第 2 节介绍了双子塔监测系统以及记录的台风事件，并概述了数据预处理程序，包括质量控制、坐标旋转和湍流强度计算。第 3 节详细介绍了所提出的 ADGM 和时空特征提取模块，并提出了实验设计、评估指标和留一台风验证策略。第 4 节讨论了数值结果，特别强调了模型学习到的依赖于风向的干扰模式。最后，第 5 节总结了本研究的主要发现。

章节片段
深圳银河双子塔的测风系统
深圳银河双子塔是中国最高的等高双子塔。两座塔楼均采用核心筒结构体系，地上高度为 356 米。每座塔楼的主要平面尺寸约为 55.7 米，东西塔楼的中心距离约为 117 米。双子塔位于中国深圳，如图 1(a) 所示。深圳位于南亚热带季风气候区，盛行东南风。

模型框架
本研究提出了一种用于双子塔台风风场的时空动态图预测模型，该模型结合了自适应图学习与深度时空特征编码，以联合预测短期湍流强度和平均风速。模型的整体框架如图 5 所示。如图所示，模型主要由一个时空动态图编码器组成。该编码器将一段历史塔顶风速测量数据映射为紧凑的表示。

网络深度和预测步长的影响
本节考察了预测步长 Qs 和时空骨干网络的深度（即堆叠的 ST-Blocks 数量）对预测性能的影响。为了确保公平比较，数据划分策略、优化器设置和所有其他超参数保持相同；仅改变 Qs 和 ST-Blocks 的数量。相应结果总结在表 3 中。首先，将骨干网络深度固定为一个 ST-Block，并设置不同的预测步长。

结论
本研究关注一对相邻的超高层双子塔，并提出了一种用于台风风场短期预测的时空动态图模型。利用在塔顶收集的超声波风速测量数据，构建了一个嵌入 ADGM 的 ST-GCN。

通过整合两座塔的历史顺风向、横风向和垂直湍流强度以及平均风特征，该模型将这些输入映射到未来的湍流强度。
CRediT 作者贡献声明
杜航：写作 – 初稿，可视化，调查，形式分析，方法论，软件。
E 邓：概念化，调查，写作 – 审查与编辑，监督。
董岳：软件，写作 – 审查与编辑。
钟英：调查，资源。
黄嘉豪：调查，资源。
倪义清：概念化，写作 – 审查与编辑，监督，项目管理，资金获取。
利益冲突声明
作者声明，他们没有已知的竞争经济利益或个人关系，这些利益或关系可能影响本文报告的工作。
致谢
本工作得到了中国香港特别行政区研究资助局（资助编号：T22–501/23-R）和中国香港特别行政区创新科技署（资助编号：K-BBY1）的支持。
杜航|E 邓|董岳|钟英|黄嘉豪|倪义清
中国香港九龙红磡香港理工大学土木工程与环境工程系