讲座回顾｜人工智能协同下的基于性能的风工程

2022-03-18 17:28 作者:多样化结构实验室VSL 0人读过 | 我要投稿

华南理工大学土交学院海外学者前沿讲座第四十期，我们邀请到来自美国布法罗大学土木、结构和环境工程系吴腾副教授。他为同学们介绍了他的课题组将人工智能应用于风气候分析、瞬态空气动力学、非线性结构动力学、形状优化和振动控制等风工程的研究中，致力于为基于性能的抗风设计提供新的方法。

自然风作为一种最常见的流体，我们每天都能感受到周边环境的风，或是微风，或是疾风，甚至是沿海地带发生较多的台风。那么大气边界层中风的流体力学特性是怎么样的呢？以及风与土木工程结构的相互作用是怎样的呢？这就是风工程领域研究的主要内容，也是进行风工程设计的基础。

讲座一开始，吴老师首先向我们介绍了基于性能的风工程设计方法（Performance-based Wind Design）。吴老师介绍到，高层建筑和其他重要工程结构的抗风设计正朝着基于性能的设计方法发展，因为它更符合各权益相关方的期望，且能明确地满足性能目标，并大大降低结构的全生命周期成本。相比传统的风工程设计，该设计过程包括更精确的风场分析、实现非线性的瞬态气动力分析、结构非线性动力响应、低周疲劳的损伤测量和生命周期维修费用优化，因此具有明确考虑业主期望的结构抗风性能水准、满足工程师所要求的性能指标、能够在国家规范的要求下极大减少结构生命周期成本的特点。

但是，基于性能的抗风设计，就意味着将风荷载下结构的响应推入非线性阶段。而传统的抗风设计不考虑结构，默认在风荷载下结构处于线弹性。传统的风工程研究方法主要包括风洞试验和计算流体力学(Computational Fluid Dynamics, CFD) 结合有限元分析。而以机器学习为主的人工智能是一种处理复杂问题的强大工具，几乎适用于任何领域，对于风工程领域的台风模拟和结构非线性气动力模拟等也同样具有解决问题的潜力。吴老师提出，人工智能的方法为基于性能的抗风设计所需要的风表征(如考虑持续时间)、空气动力学建模(如瞬态特征)和结构分析(如非线性响应)等提供了无限可能，他们也做了许多相关的工作。

吴老师课题组主要采用深度学习对风场、风动力，和结构的优化展开了一系列的研究。首先，为了得到准确的风荷载，尤其在全球变暖的环境下，我们需要更加精确的知道风的来源，也就是风场。现有的使用神经网络计算风荷载的方法都是把风的信息和地形的信息输入神经网络，然后神经网络输出风速。深度学习需要大数据的支撑，而台风作为极端事件，导致风工程缺乏大数据，且数据的丰富性较差。此外，深度神经网络应用于工程中，缺乏理论支撑，缺少可解释性。为了解决这两个问题，吴教授课题组提出了知识增强的机器学习模型(Knowledge-Enhanced Machine Learning)，通过将风工程领域的物理方程、经验公式、有价值的实验或实测数据并入到机器学习模型中，增强了机器对风工程知识的学习。最终，在大跨度桥梁非线性气动力分析、高层结构抗风、区域级别建筑抗风和台风等极端风灾害模拟中，知识增强的机器学习模型可以极大地减少模型数据需求，提高模型精度，增加计算效率。

然后，吴老师还将这种知识增强的方法应用到不同的神经网络里面，分别对风气候分析、瞬态空气动力学、非线性结构动力学、形状优化和振动控制等开展了分析。比如，吴老师将知识增强的前馈神经网络（FNN）用于飓风边界层风的模拟；将知识增强的长短期记忆神经网络（LSTM）用于非线性空气动力学分析；将知识增强的卷积神经网络（CNN）用于风压强的计算；将知识增强的循环神经网络（RNN）用于风致非线性结构动力学响应的模拟；以及将知识增强的强化学习（RL）用于空气动力形态和控制模拟中。吴老师的研究结果表明，将传统的经验知识和经验公式应用于神经网络的训练中，可以显著提高工程问题的预测效率和精度，而且计算时间大大减少，还可以通过极小的数据量进行训练。因为其计算速度快的特点，这种方法可以应用于对台风等天气的提前预测，找到结构的薄弱点方便人们提前对结构进行防护和加强。在台风来临前，通过AI模型的运算，可以实时预测，对风灾害做预警。此外，吴老师还将人工智能模型用于结构形状的优化，以减少风致结构响应。

最后，吴老师分享了他们在应用知识增强深度学习这一方法对风工程做预测的过程中的一些感受。吴老师认为，很早之前人工智能就在专家系统中应用了基于知识的范式，随着人工智能的发展和计算机的进步，现在的人工智能模型大都是基于大数据的范式，比如机器学习。而知识增强的机器学习结合了两者的优势，能够改善数据的有效性，模拟的精度和可解释性。而这一知识增强的方法也让吴老师产生了新的思考：在风工程领域，是否有可能定义一个完整且不相交的知识谱；如何有效地将不同的知识来源（异质性）整合到机器学习中。如何进行知识分类，并入到有效的机器学习模型中，是吴教授课题组正在研究的问题，我们期待吴教授课题组产出更多的研究成果。

本次讲座给我们的启发是，基于性能的设计，无论是对于风工程，还是其它结构与材料的设计，除了进行基础的科学研究，我们还应该进一步提高研究对象在工程中和企业界的适用性，让研究目标更明确，使研究变得更有实用价值。此外，我们进入了“万物皆可人工智能”的时代，但“人工”是“智能”的前提，“智能”是“人工”的结果；对于高效的机器学习模型，我们不能“拿来主义“，而是要赋予机器领域知识，让模型理解物理问题，增强数据驱动的效率，让“人工”成本更省，让“智能”效果更好。吴老师将知识增强的方法结合到机器学习中，用于解决具体工程的问题，尤其是对风工程展开了一系列有趣的研究。这种研究方法给我们的启发是，在大数据时代，传统的经验知识仍能给我们提供参考，公式的简与美蕴含着无穷的知识潜力。如何将传统的经验公式与先进的人工智能方法更好的结合起来，是值得我们思考和探索的问题。

相关文章请见吴老师主页：