来源：期刊VIP网 时间：
作者：王冲;郑史雄;张令;罗茂力;李桥;周梅林;
单位：西南交通大学土木工程学院;
摘要：为快速评估大跨度流线型箱梁初步设计阶段的颤振性能，基于机器学习(ML)方法对流线型箱梁的颤振导数进行预测和分析。首先，确定ML模型的输入参数(4个断面尺寸参数和1个无量纲折算风速),以苏通大桥为例，基于风洞试验对CFD数值模拟方法进行验证，预设75组流线型箱梁断面形状数据，通过CFD计算75组断面的颤振导数，获得511组颤振导数的数据集；然后，选择5种代表性的ML算法，即支持向量机(SVM)、人工神经网(ANN)、集成神经网络、随机森林(RF)和CatBoost,搭建流线型箱梁颤振导数ML预测模型，开展模型的超参数优化及其预测性能评估；最后，基于SHAP方法，结合性能优异的CatBoost模型，对流线型箱梁断面尺寸输入参数重要性进行分析。结果表明：SVM和RF算法在H~*_2和H~*_4上预测性能较差，明显不及其他3种算法，在其他颤振导数(H~*_1、H~*_3和A~*_1～A~*_4)上预测性能较佳，ANN、集成神经网络和CatBoost算法适用于全部颤振导数，其中集成神经网络颤振导数的预测性能优于ANN,表现最佳的是CatBoost,在测试集上，该模型对4个关键颤振导数的R~2均达到0.996以上；5种算法对于H~*_2和H~*_4两个颤振导数的预测性能不及在其他颤振导数的预测性能；大部分颤振导数最大的影响参数是斜腹板倾角α,颤振的4个关键颤振导数受斜腹板倾角α、S/B的影响较大。
关键词：流线型箱梁;;颤振导数;;机器学习;;SHAP;;CFD
基金资助：国家自然科学基金项目(52178508)
