桥梁风工程与人工智能（综述）

文章目录

文献[1]
- 主要内容：
- 个人评价：
文献[2]
- 主要内容：
- 个人评价：
文献[3]（是否属于机器学习）
- 摘要
文献[4]
- 主要内容
- 评价
文献[5]
- 摘要：
- 评价：
文献[6]
- 摘要
- 主要内容
- 个人总结

文献[1]

主要内容：

利用特征工程（特征降维、具有强相关性的特征删除），基于实验数据，将泰勒展开的涡激力模型进行特征缩减，达到简化多项式模型的目的。最后将本文的模型与Scanlan和LeDong Zhu的模型进行比较，以陈述优劣性。

个人评价：

本人尝试过利用自激力实验数据进行类似思路的特征降维。实际上，基于实验的位移、气动力相关性完全取决于实验条件的设置。比如，对于自激力而言，可以利用强迫振动装置将竖向 h h h和扭转 α \alpha α设置成强相关或若相关均可，这就在原理上无法判断如何删选特征。当然，这对于只存在单自由度运动的涡激共振而言并不是一个很大的问题。实际上，多项式模型本身就是一个参数模型¹，气动力建模问题的出发点即为“数据驱动”。当涉及到非线性问题，e.g., higher-order harmonic components，多项式模型在实际引用的时候大大提高了模型复杂度。

文献[2]

主要内容：

基于西堠门大桥六年的field-measured 涡激共振数据；
利用决策树算法建立识别涡振模态的分类模型（feature–>target: wind characteristics–>VIV modes) （不是一个fft就能识别？）
利用SVR在时域内对单个模态的VIV响应进行建模（feature–>target: U s p e e d 1 , 2 , 3 U_{speed_{1,2,3}} Uspeed1,2,3, U d i r e c t i o n 1 , 2 , 3 U_{direction_{1,2,3}} Udirection1,2,3)。值得注意的是，添加了上一步预测的响应作为特征输入到当前步的预测当中，即循环神经网络的思想。
A ^ n = f ( A ^ n − 1 , U 1 / 4 n , U 1 / 2 n , U 3 / 4 n , θ 1 / 4 n , θ 1 / 2 n , θ 3 / 4 n ) \widehat{A}^{n}=f\left(\widehat{A}^{n-1}, U_{1 / 4}^{n}, U_{1 / 2}^{n}, U_{3 / 4}^{n}, \theta_{1 / 4}^{n}, \theta_{1 / 2}^{n}, \theta_{3 / 4}^{n}\right) A n=f(A n−1,U1/4n,U1/2n,U3/4n,θ1/4n,θ1/2n,θ3/4n)
基于SVR模型的参数分析，包括：初始响应、风速和风向、风速跨向不均匀性

个人评价：

写论文就是这个套路。也不管到底有没有意义，反正工作量在这里。
什么时候论文可以只关注idea而尽可能忽略一些的冗余工作量？

文献[3]（是否属于机器学习）

摘要

基于SHM (structural health monitoring) 的实测数据，利用RDT (random decrement technique)从大量加速度响应中识别VIV (vortex-induced vibration)响应。
首先利用RDT处理数据，并发现VIV和传统随机响应之间的特性不同。
基于处理的数据的峰值变化系数（COV）定义了一个辨别这两种响应的阈值。
利用数值模拟获得了两种响应，对此方法进行验证。
最后利用西堠门涡振，发现本文的方法与异常监测方法效果相同，识别了60个VIV事件，罗列了一些基于涡激共振的现象、原因、解释等等。

文献[4]

主要内容

利用kriging model（实质为高斯过程回归模型，GPR）建立流线型箱梁气动外形修正的代理模型，基本思路是：

评价

是真的长啊。。。
采样数据量是真的少啊。。。
相比于[5]，工作量是真的大，代理模型玩的不如[5]玩的6。。。

文献[5]

摘要：

为了增强土木工程的实验设计以及在探索和开发之间取得平衡 (reach a balance between exploration and exploitation)，提出基于有限试验/计算机资源约束的顺序更新代理模型建立方法²。在这个方法中，kriging model和SVR 模型在同一个更新循环当中同时使用，用来提供下一次更新的采样点。这个加点准则或策略（infill criterion）是基于MSE和 expected improvement（EI）的（没仔细看，不知道为什么MSE也可以）。将这种方法应用到bridge deck-wave interaction和断面气动优化的问题当中。终极目的：最大化利用实验数据的有效信息。

评价：

idea比较常规，基本上都是围绕优化来做；
真的长。。。代理模型的文章都这么长的么。。。

文献[6]

摘要

非平稳风会导致时变的涡振。基于西堠门大桥实测数据，提出一个数据驱动的方法来揭示事变涡振事件。

非线性动力学稀疏识别方法的变体来识别时变空气动力学下涡激振动事件，由此可以假定新的、数据驱动、可解释模型来强调风桥气弹耦合。
聚类方法来识别涡振模态

主要内容

涡振模型
实测数据预处理
涉及到车致振动和风致振动量级大小的问题
稀疏识别（多项式模型）

个人总结

非平稳风会导致时变涡激共振，主要反映在自激效应水平上，内在原因在于风环境的时变性和主梁的运动状态的变化。

[1] Tian, Xiaoxia, and Jingwen Yan. “A novel semi-empirical supervised model of vortex-induced vertical force on a flat closed-box bridge deck.” International Journal of Distributed Sensor Networks 15.1 (2019): 1550147719826843.
[2] Li, Shanwu, Shujin Laima, and Hui Li. “Data-driven modeling of vortex-induced vibration of a long-span suspension bridge using decision tree learning and support vector regression.” Journal of Wind Engineering and Industrial Aerodynamics 172 (2018): 196-211.
[3] Huang, Zhiwen, et al. “Automatic Identification of Bridge Vortex-Induced Vibration Using Random Decrement Method.” Applied Sciences 9.10 (2019): 2049.
[4] Montoya, M. Cid, et al. “CFD-based aeroelastic characterization of streamlined bridge deck cross-sections subject to shape modifications using surrogate models.” Journal of Wind Engineering and Industrial Aerodynamics 177 (2018): 405-428.
[5] Guoji X, Ahsan Kareem, and Lian S. " Surrogate Modeling with Sequential Updating: Applications to Bridge Deck-wave and -wind Interactions." Journal of Computing in Civil Engineering.
[6] Li, Shanwu, et al. “Discovering time-varying aerodynamics of a prototype bridge by sparse identification of nonlinear dynamical systems.” Physical Review E 100.2 (2019): 022220.

https://blog.csdn.net/weixin_44815633/article/details/104956545 ↩︎
https://blog.csdn.net/weixin_44815633/article/details/104975026 ↩︎