基于长短期记忆网络的桥梁非定常气动力预测

气动力是影响桥梁结构稳定性和安全性的关键因素之一，其演化规律受其自身非定常特性和计算机精度的影响，很难实现长时间预测。准确预测桥梁结构的气动力特性对结构设计和振动控制具有重要意义。风洞试验和数值模拟是目前气动力研究中应用最广泛的方法，但风洞试验成本高，且难以模拟复杂风场条件，数值模拟对计算资源又具有强依赖性。因此，为了实现计算量和计算精度的平衡，利用长短期记忆(Long Short-term Memory, LSTM)网络开发了一种不同风攻角桥梁非定常气动力时序预测模型。该模型以不同风攻角下0～n时刻的气动力系数为输入，以n+1时刻的气动力系数为输出。首先，基于开源Tensorflow库构建LSTM网络框架；其次，基于3°、4°和5°三个风攻角的桥梁主梁非定常气动力数值模拟结果构建训练集和测试集，并进行模型训练；最后，利用训练好的模型基于风攻角分布进行内插和外推预测。在内插预测时，基于风攻角为3°和5°时的气动力系数构建数据集对模型进行内插训练，对风攻角为4°时的气动力系数进行预测。在外推预测时，基于风攻角为3°和4°时的气动力系数构建数据集对模型进行外推训练，对风攻角为5°时的气动力...