基于聚类与分阶段自适应多输出代理模型的风振预测方法与流程

本申请涉及结构抗风设计与代理模型，尤其涉及一种基于聚类与分阶段自适应多输出代理模型的风振预测方法。

背景技术：

1、在建筑结构抗风设计中，获取等效静风荷载等风振响应是核心环节。当采用风洞试验或高保真数值模拟作为数据来源时，传统方法往往采用“工况遍历”策略，即将风向角、基本风压、阻尼比等参数进行组合，逐一开展测试或计算，形成覆盖所有参数组合的全矩阵工况表，随后对每一工况分别进行耗时的高精度求解或物理试验，最终得到全空间响应数据库，并据此提取设计控制值。这种方法虽然能保证结果完备，但在工程实践中存在显著缺陷。以一项中等规模的风振试验或参数化分析为例，若包含数十个风向角、多个基本风压等级和若干阻尼比水平，其组合工况动辄达到上千个。每次试验或计算均需要独立占用场地、设备或计算资源，总体耗时长达数日，严重拖慢设计迭代节奏。并且，大量工况对应的响应值在后续设计中仅作趋势参考，投入产出比极低。

2、为解决这一问题，已有研究尝试采用代理模型技术，即通过少量高成本样本训练一个数学模型，用以预测其他点的响应。其中，高斯过程（gp）模型因其可同时给出预测均值和不确定性，常与主动学习/自适应加点策略结合，以减少所需样本数。其中，现有技术1（cn118940602a）使用深度高斯过程结合贝叶斯优化进行加点；现有技术2（cn117057194a）同样使用gp代理模型与贝叶斯优化；现有技术3（cn112749495a）将gp与高效全局优化（ego）结合，通过期望改进函数进行自适应加点；现有技术4（cn117952021a）公开了检测样本聚类，并将聚类构成的超球体作为约束加入采样准则中，以避免重复采样；现有技术5则利用稀疏高斯过程对风振响应进行动态预测。

3、上述方案普遍存在如下局限：（1）多集中于单输出响应预测，未充分考虑实际风振响应是由多个方向分量构成的矢量；（2）加点策略多基于单一的不确定性指标，缺乏对参数空间中响应曲面几何复杂度的感知，在高度非线性区域容易采样不足，而在平坦区域浪费样本；（3）初始训练点的选择多为随机抽取或简单拉丁超立方，模型起始精度和收敛稳定性较差；（4）少数涉及聚类的方案是将已有样本的聚类区域视为冗余区予以排除，而非正向利用聚类来设计初始采样。

4、综上所述，缺乏一种专门面向风振试验场景、能同时高效处理多向响应预测、并能根据试验精度需求主动调整采样策略的代理模型方法。

技术实现思路

1、针对现有技术中的上述不足，本申请提供的一种基于聚类与分阶段自适应多输出代理模型的风振预测方法解决了现有风振试验代理模型方法中，初始采样点选取随机性强导致模型起始精度差，加点策略单一无法兼顾全局探索与局部精炼，且缺乏对多方向响应分量的协同预测能力，导致以少量样本构建高精度代理模型的效率和稳定性不足的问题。

2、为了达到上述发明目的，本申请采用的技术方案为：

3、本申请提供了一种基于聚类与分阶段自适应多输出代理模型的风振预测方法，包括：

4、s1：构建包括输入特征向量和多输出目标向量的多输出候选池，所述输入特征向量包括影响风振响应的关键参数；所述多输出目标向量包括风荷载作用下产生的响应分量；

5、s2：对多输出候选池中的所有样本点执行k-means聚类，针对每个聚类中心选取最小欧氏距离对应的样本点形成初始训练集；

6、s3：基于输入特征向量和多输出目标向量，构建多个高斯过程代理模型；

7、s4：根据高斯过程代理模型的精度与预设阈值的比较划分为全局探索期和局部精炼期两个训练阶段，训练阶段采用不同的采集函数进行高斯过程代理模型迭代训练；

8、s5：基于训练好的高斯过程代理模型进行风振预测。

9、进一步地，所述s1，包括：

10、确定影响风振响应的关键参数，对关键参数中的风向角进行正弦变换和余弦变换，基于关键参数形成输入特征向量，所述关键参数包括阻尼比、基本风压和风向角；

11、对输入特征进行标准化处理，将待分析的工况映射到标准化后的特征空间中，形成候选样本池；

12、对于候选样本池中的每一候选工况，将对应的多个方向的响应分量组织为多输出目标向量，所述响应分量包括水平两向分力和竖向分力；

13、将候选样本池与对应的多输出目标向量关联存储，形成多输出候选池。

14、进一步地，所述高斯过程代理模型采用核函数组合形式，表达式为：

15、

16、式中，为高斯过程代理模型，为常数核，为径向基函数核，为matern5/2核，为白噪声核，为输入特征向量。

17、进一步地，所述s4，包括：

18、s401：当初始训练集中响应分量的平均相对均方根误差高于预设阈值时，判定高斯过程代理模型处于全局探索期；否则，判定高斯过程代理模型处于局部精炼期；

19、s402：对于全局探索期和局部精炼期两个训练阶段，采用不同的采集函数进行计算；

20、s403：选取使当前阶段采集函数值最大的候选点作为新增试验样本，并计算新增试验样本对应的响应真值，加入初始训练集进行更新；

21、s404：基于更新后的训练集进行高斯过程代理模型迭代训练，每隔固定步数评估全部候选工况空间响应分量的平均相对均方根误差，若连续多个评估周期内平均相对均方根误差的相对下降量低于设定阈值，则终止迭代，输出当前高斯过程代理模型；否则进入s401进行训练集更新。

22、进一步地，所述全局探索期的采集函数的计算公式为：

23、

24、式中，为全局探索期的采集函数，、和为三个高斯过程代理模型对候选点预测的标准差，为候选点到当前训练集的最小欧氏距离，为全局探索期的距离权重指数。

25、进一步地，所述局部精炼期的采集函数的计算公式为：

26、

27、式中，为局部精炼期的采集函数，为曲率增益系数，为利用高斯过程代理模型在候选点附近进行微小扰动后计算出的归一化局部曲率，为局部精炼期的距离权重指数。

28、本申请的有益效果是：

29、本申请提出的一种基于聚类与分阶段自适应多输出代理模型的风振预测方法，通过全局探索期和局部精炼期两个阶段训练的多个高斯过程代理模型，可同时高精度预测多个方向分量，避免了单输出模型顾此失彼的问题，且两阶段采集函数通过误差阈值自动切换，在早期以多样性为导向快速铺开样本，在中后期以不确定性加曲率感知的方式精准打击高误差区域，提高了模型预测精度。

1.一种基于聚类与分阶段自适应多输出代理模型的风振预测方法，其特征在于，包括：

2.根据权利要求1所述的基于聚类与分阶段自适应多输出代理模型的风振预测方法，其特征在于，所述s1，包括：

3.根据权利要求1所述的基于聚类与分阶段自适应多输出代理模型的风振预测方法，其特征在于，所述高斯过程代理模型采用核函数组合形式，表达式为：

4.根据权利要求2所述的基于聚类与分阶段自适应多输出代理模型的风振预测方法，其特征在于，所述s4，包括：

5.根据权利要求4所述的基于聚类与分阶段自适应多输出代理模型的风振预测方法，其特征在于，所述全局探索期的采集函数的计算公式为：

6.根据权利要求4所述的基于聚类与分阶段自适应多输出代理模型的风振预测方法，其特征在于，所述局部精炼期的采集函数的计算公式为：