桥面风场时程重构的机器学习方法

获得桥面的高分辨率时变流场对研究桥梁风致问题尤为关键，然而受传感器布设与测量方法等因素制约，难以通过试验直接测得高空间分辨率的流场数据。机器学习是流场表征的有效手段，但是数据驱动的训练方法在已知样本较少时难以获得准确的模型。针对此问题，引入流场时程的人工神经网络方法，使用流体控制方程辅助模型训练，通过增加未知测点处的方程约束提高模型的精度，得到了考虑物理约束的桥面风场时程的机器学习重构模型。以低雷诺数桥面绕流为例，实现了基于稀疏已知测点时程数据的模型训练，得到了较好的效果。结果表明：通过引入未知测点处的控制方程约束，可在较少已知时程数据的情况下，获得更准确的桥面风场重构模型，为人工智能方法在风场实测时程数据中的应用提供了基础。