基于改進(jìn)經(jīng)驗(yàn)?zāi)B(tài)分解與BiLSTM 神經(jīng)網(wǎng)絡(luò)的低矮房屋脈動風(fēng)壓時程預(yù)測

摘要：為解決風(fēng)壓測量中傳感器數(shù)據(jù)間歇性缺失問題，提出基于改進(jìn)經(jīng)驗(yàn)?zāi)B(tài)分解算法（IEMD）和雙向長短期記憶網(wǎng)絡(luò)（BiLSTM）的結(jié)構(gòu)表面風(fēng)壓時程預(yù)測方法.首先，采用基于軟篩分停止準(zhǔn)則的改進(jìn)經(jīng)驗(yàn)?zāi)B(tài)分解方法，將風(fēng)壓時程自適應(yīng)地分解為多個固有模態(tài)函數(shù)，并通過樣本熵對其進(jìn)行重構(gòu)獲得子序列；其次，針對各子序列完成雙向長短期記憶網(wǎng)絡(luò)的構(gòu)建、訓(xùn)練及預(yù)測，并利用貝葉斯優(yōu)化（BO）算法對神經(jīng)網(wǎng)絡(luò)超參數(shù)進(jìn)行優(yōu)化；最后，基于低矮房屋風(fēng)洞測壓試驗(yàn)數(shù)據(jù)進(jìn)行了風(fēng)荷載預(yù)測，驗(yàn)證了學(xué)習(xí)模型的有效性.研究表明，與傳統(tǒng)預(yù)測模型（多層感知器、BiLSTM）相比，基于改進(jìn)經(jīng)驗(yàn)?zāi)B(tài)分解與BiLSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測模型具有較高的預(yù)測精度和計算效率，適用于高斯與非高斯風(fēng)壓信號預(yù)測.

關(guān)鍵詞：低矮房屋；風(fēng)荷載；深度學(xué)習(xí)；雙向LSTM；改進(jìn)經(jīng)驗(yàn)?zāi)B(tài)分解；貝葉斯優(yōu)化；時程預(yù)測

中圖分類號：TU352.2 文獻(xiàn)標(biāo)志碼：A

低矮房屋受特征湍流影響顯著的區(qū)域，其表面風(fēng)壓會表現(xiàn)出明顯的非高斯特性，易誘發(fā)圍護(hù)結(jié)構(gòu)風(fēng)致破壞［1］.設(shè)計風(fēng)荷載的準(zhǔn)確估計可通過現(xiàn)場實(shí)測或風(fēng)洞測壓試驗(yàn)實(shí)現(xiàn)，但在信號采集過程中，傳感器數(shù)據(jù)間歇性缺失可能導(dǎo)致風(fēng)荷載取值不準(zhǔn)確.近年來，眾多學(xué)者采用機(jī)器學(xué)習(xí)方法從有限風(fēng)壓時程數(shù)據(jù)中提取出特征信息，建立了測壓信號預(yù)測模型，彌補(bǔ)測量時因各種原因而缺失的時程數(shù)據(jù)，對于低矮房屋抗風(fēng)設(shè)計具有重要的工程意義［2-4］.

機(jī)器學(xué)習(xí)通過一些算法訓(xùn)練提取數(shù)據(jù)特征并建立模型，使之具備一定的判斷和預(yù)測能力，該方法在風(fēng)工程領(lǐng)域得到越來越廣泛的應(yīng)用.常用的算法有神經(jīng)網(wǎng)絡(luò)（NNs）、隨機(jī)森林（RF）和支持向量機(jī)（SVM）等.基于機(jī)器學(xué)習(xí)的風(fēng)壓場和氣動響應(yīng)模型，可實(shí)現(xiàn)風(fēng)荷載與風(fēng)效應(yīng)宏觀指標(biāo)的預(yù)測，如風(fēng)速［5］、結(jié)構(gòu)表面風(fēng)壓分布［6-10］、整體體型系數(shù)［11］和風(fēng)力系數(shù)［12-13］等.然而，相較于風(fēng)壓分布預(yù)測，結(jié)構(gòu)的風(fēng)壓及響應(yīng)時程預(yù)測通常因時程的非平穩(wěn)特性而具有較大難度，相關(guān)研究較少.

相較于傳統(tǒng)機(jī)器學(xué)習(xí)方法，深度學(xué)習(xí)方法具有更優(yōu)異的特征識別和表達(dá)能力，在處理大量、復(fù)雜的數(shù)據(jù)時具有顯著優(yōu)勢.因此，部分學(xué)者嘗試將深度學(xué)習(xí)應(yīng)用于脈動風(fēng)壓、脈動流場和非定常氣動力的時間序列預(yù)測中.Huang 等［14］分別使用深度神經(jīng)網(wǎng)絡(luò)（DNN）和支持向量機(jī)對超高層建筑表面非高斯風(fēng)壓時程進(jìn)行了預(yù)測分析，并利用粒子群優(yōu)化算法（PSO）來選擇和優(yōu)化模型參數(shù)，經(jīng)對比發(fā)現(xiàn)PSODNN的預(yù)測性能具有一定優(yōu)勢.陳伏彬等［15］結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）與本征正交分解（POD）方法，準(zhǔn)確預(yù)測了大跨度平屋蓋模型測點(diǎn)的脈動風(fēng)壓時程.長短期記憶網(wǎng)絡(luò)（LSTM）與其變體雙向長短期記憶網(wǎng)絡(luò)（bidirectional LSTM，BiLSTM）具有更強(qiáng)大的非線性建模能力和泛化能力，逐漸受到諸多學(xué)者的青睞；Li等［16］通過LSTM網(wǎng)絡(luò)構(gòu)建了風(fēng)-橋相互作用的降階模型，準(zhǔn)確預(yù)測了橋梁結(jié)構(gòu)的非線性非定常氣動力；Lim等［17］結(jié)合LSTM與時移數(shù)據(jù)校正方法構(gòu)建了預(yù)測模型，成功預(yù)測了臺風(fēng)作用下橋梁周圍的短期風(fēng)速；武頻等［18］結(jié)合LSTM和自編碼器構(gòu)建了降階模型，對二維圓柱繞流流場進(jìn)行特征提取和預(yù)測，得到了比傳統(tǒng)模態(tài)分解法精度更高的結(jié)果；Li等［19］分別將支持向量回歸、隨機(jī)森林、反向傳播神經(jīng)網(wǎng)絡(luò)、LSTM和LSTM-SVR這5種機(jī)器學(xué)習(xí)模型應(yīng)用于低矮房屋表面非高斯脈動風(fēng)壓時程的預(yù)測，其中LSTM和LSTM-SVR深度學(xué)習(xí)模型具有最優(yōu)的預(yù)測精度.

原始樣本數(shù)據(jù)的非平穩(wěn)和噪聲將直接影響深度學(xué)習(xí)模型的泛化性能，也是限制該類模型的實(shí)際應(yīng)用的重要因素［20］.已有學(xué)者將信號分解技術(shù)與深度學(xué)習(xí)相結(jié)合，通過識別時序數(shù)據(jù)的內(nèi)在特征，進(jìn)一步改善模型的實(shí)際性能，并形成“分解―預(yù)測―重構(gòu)”的主流方案.Li等［21］將變分模態(tài)分解、粒子群優(yōu)化算法與BiLSTM相結(jié)合，完成了臺風(fēng)風(fēng)速時程的短期預(yù)測，由于原始時間序列經(jīng)變分模態(tài)分解后非平穩(wěn)特性大幅降低，模型的精度有顯著提高；Lü等［22］利用改進(jìn)集成經(jīng)驗(yàn)?zāi)B(tài)分解提高了LSTM模型預(yù)測性能，并使用多目標(biāo)蟻獅優(yōu)化方法進(jìn)行訓(xùn)練，使模型在非平穩(wěn)風(fēng)速預(yù)測上達(dá)到更好的效果；Jaseena 和Ko?voor［23］提出了基于經(jīng)驗(yàn)小波變換的BiLSTM 預(yù)測模型，實(shí)現(xiàn)了實(shí)測場地風(fēng)速時程預(yù)測，該方法相比于未進(jìn)行數(shù)據(jù)分解的BiLSTM預(yù)測方法，能夠顯著提高風(fēng)速時序的預(yù)測精度.

目前，針對低矮房屋風(fēng)壓時程的預(yù)測研究較少，結(jié)構(gòu)表面風(fēng)壓呈現(xiàn)出的強(qiáng)烈非高斯隨機(jī)特性將導(dǎo)致較大的預(yù)測誤差.另外，預(yù)測模型的最優(yōu)超參數(shù)一般通過在訓(xùn)練數(shù)據(jù)集中進(jìn)行交叉驗(yàn)證獲得，而深度學(xué)習(xí)網(wǎng)絡(luò)具有超參數(shù)選擇困難、學(xué)習(xí)效率低的問題［24］.因此，本文將改進(jìn)經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù)（IEMD）與BiL?STM結(jié)合，通過對數(shù)據(jù)進(jìn)行預(yù)分解，提高預(yù)測的穩(wěn)定性和精度，并利用貝葉斯優(yōu)化（BO）算法對BiLSTM模型進(jìn)行超參數(shù)優(yōu)化，使得預(yù)測結(jié)果更加精確.

本文以雙向長短期記憶網(wǎng)絡(luò)為基礎(chǔ)，結(jié)合改進(jìn)經(jīng)驗(yàn)?zāi)B(tài)分解算法，構(gòu)建了一種基于IEMD-BiLSTM的風(fēng)壓時間序列預(yù)測方法，依據(jù)樣本熵理論降低計算規(guī)模，并使用貝葉斯優(yōu)化算法尋找性能最優(yōu)的BiLSTM模型.以低矮房屋風(fēng)洞測壓試驗(yàn)數(shù)據(jù)為例，選取4組預(yù)測模型作為對照，驗(yàn)證本文所建立模型的有效性和準(zhǔn)確性，對于高斯和非高斯風(fēng)壓信號具有穩(wěn)定可靠的預(yù)測表現(xiàn).該方法可以有效解決風(fēng)場實(shí)測或風(fēng)洞測壓試驗(yàn)過程中風(fēng)壓測量數(shù)據(jù)間歇性缺失的問題，具有工程應(yīng)用價值.