RBF神经网络在群体超高层建筑干扰效应中的应用

群体建筑的风荷载和响应特性和单体建筑有很大的不同, 这种现象被归结为建筑物间的干扰效应。干扰效应包括静力干扰和动力干扰两个主要方面。相比之下, 动力干扰效应将更加复杂。本文利用RBF神经网络方法对不同宽度比和高度比的施扰建筑物在不同间距下对下游受扰建筑物的动力干扰效应进行研究和分析。

RBF神经网络是由J.Moody和C.Darken于20世纪80年代末提出的一种神经网络结构, 它具有单隐层的三层前馈网络。目前已经证明, RBF网络能够以任意精度逼近任意的连续函数。但是大多数的情况之下, 它是被做为一个黑箱直接应用MATLAB里的神经网络工具箱来进行应用。特别是在针对大量的数据进行预测的时候, 就会出现许多不确定性。本文采用了一个新的平滑算法, 使网络的推广能力有了进一步提高。

1 RBF神经网络的基本原理

RBF神经网络是含有单个隐层的前向三层神经网络, 其拓扑结构如图1所示。

它的隐层非线性函数最常用的是高斯函数其详细的表述具体如下:

其中jg (x) 是隐层第j个单元的输出, X是输入模式, Cj是隐层第j个单元基函数的中心, σj是第j个隐节点的归一化参数, 它决定该中心对应的基函数的作用范围。隐节点输出在0和1之间, 输入与中心的距离越近, 隐节点的响应就越大。

网络的输出单元是一个线性合成器, 即有:

其中wij是第i个隐层结点到第j个输出接点的连接权值, yj为第j个输出结点的输出, m为隐层结点的数目。

为了实现对某一非线性映射的拟合, 期望对于每一对训练数据x-t, 输出的响应值y与期望值t的平方误差最小, 平方误差和ES可表示为:

我们把隐层结点的个数取为训练样本的个数, 网络训练的目的就是要找到使ES最小的权值向量w, 当ES取最小值的时候应有:

这里解出的w会使ES最小值为0, 拟合函数精确满足训练数据。但是如果训练数据加入噪声, 则会使拟合函数出现迅速的震荡, 从而使网络的推广能力的到限制。本文采用由Bishop及Suzuki等提出的算法, 在误差能量函数中加入一个阻尼项, 抑制拟合函数的震荡, 从而提高网络的推广预测能力此时有:

其中ES为平方误差和, EC为阻尼项, λ用来控制加入阻尼量的大小。

2 RBF神经网络的应用可行性研究

为了验证本网络的预测性能, 本文拿出一组数据 (br=0.6) 为验证数据, 其余四组数据 (br为0.4、0.8、1.0、1.2、1.4) 为训练数据, 每组共有70对数据, 用本网络进行训练和预测。所得的误差ES为1.8186, 大大的提高了网络的预测性能。

3 施扰建筑宽度的影响

本网络是以施扰物体的坐标值x, y和宽度比br作为网络的输入, 顺风向干扰因子的包络值做为输出, 建立一个两个节点的输入单节点的输入的RBF网络。利用该网络做细化分析, 图2给出了不同宽度比的施扰建筑物的顺风向动力干扰因子包罗值的分布 (见图2) 。

由图2可以看出, 施扰建筑物的宽度对于受扰建筑物的动力特性影响比较大。当宽度比小于1的时候要比大与1的时候影响显著。最大干扰因子出现的位置也随着宽度比的增加而发生变化。当宽度比大于1的时候随着宽度比的增大, 最大干扰位置慢慢的移向受扰位置。从图2中还可以看出比较大的干扰区域都是出现在受扰建筑物的上游。而对于受扰建筑物的下游, 施扰建筑物的影响基本不大, 最大的干扰因子也只有1.2。随着施扰建筑物宽度的变化, 受扰建筑物下游干扰因子的分布基本上没有什么变化。这种现象的出现是因为上游施扰建筑物脱落的旋涡增加了尾流中的脉动成分使得湍流得以增强, 最终导致受扰建筑产生较大的响应。

4 施扰建筑高度的影响

本网络是以施扰物体的坐标值x, y和高度比hr作为网络的输入, 顺风向干扰因子的包络值做为输出。建立一个两个节点的输入单节点的输入的RBF网络。利用该网络做细化分析, 图3给出了不同宽度比的施扰建筑物的顺风向动力干扰因子包罗值的分布 (见图3) 。

从图3可以看出, 施扰建筑高度对受扰建筑的动力干扰有较为明显的影响。当高度比小于1的时候, 最大干扰因子仅为1.2左右, 动力干扰效应不是很明显。当高度比大于1的时候, 最大干扰因子可以达到1.8左右, 动力干扰效应显著。从施扰建筑物的位置而言, 受扰建筑的上游地区要比下游地区干扰显著, 而对于下游地区干扰效应不是太大, 其干扰因子也不随着高度比的变化而变化。当高度比小于1的时候, 最大干扰因子出现的位置随着高度比的增大而靠近受扰物体, 当高度比大于1的时候, 最大干扰因子的位置随着高度比的变化没有太大的变化。

5 结语

本文利用RBF神经网络的一种新的算法, 对风洞实验中的群体干扰数据进行建模分析。分析了两个建筑物的不同宽度和高度对起动力干扰效应的影响, 可以得到以下结论。

(1) 与matlab神经网络工具箱相比较本文网络在实验数据的处理和预测上, 更具有稳定性和准确性。完全能够用于实验数据的处理和分析。特别是在三个建筑物的干扰数据的处理上, 是一种良好的数据处理方法。

(2) 施扰建筑物的宽度, 对于动态干扰效应有非常显著的影响。对于不同的宽度比的配置, 他们的干扰因子的包络值存在较大的差异性, 基本上不具备相似性。当宽度比小于1的时候干扰因子的分布最为显著。施扰建筑的高度, 同样对动力干扰效应有明显的影响。动力干扰效应随着施扰物体的高度的增加而增强。当高度比比较小的时候, 高度比对于受扰建筑的动力干扰不再产生主要影响。

摘要：作用于建筑群体中高层建筑上的风荷载与其孤立状态下有很大的差别, 风洞试验结果表明, 在某些排列方式下, 上游建筑的干扰可能使下游建筑产生高出单体情况数倍以上的动力响应。本文基于风洞实验为基础利用RBF神经网络方法对于干扰因子进行了分析。研究了不同高度比和宽度比的两个建筑物间的顺风向的动力干扰效应。

关键词：风洞实验,动力响应,RBF神经网络,干扰因子

参考文献

[1] Khanduri A C, Stathopoulos T, BedardC.Wind-induced interference effects on buildings—A review of the state-of-the-art[J].Engineering Structures, 1998, 20 (7) :617～630.

[2] 谢壮宁, 顾明.任意排列双柱体的风致干扰效应[N].土木工程学报, 2005, 38 (10) .

[3] Harris C L.Influence of neighbouring structures on the wind pressure on tall buildings[J].Burea of Standards, J.Res.1934, 12:103～118.