高耸结构风致振动的流固耦合混合模型试验系统及方法

本文件涉及结构工程试验，尤其涉及一种高耸结构风致振动的流固耦合混合模型试验系统及方法。

背景技术：

1、在超高层建筑的抗风研究领域，风致振动尤其是涉及流固耦合效应的涡激振动现象，长期以来是学术界与工程界关注的重点问题。传统的解决方案主要依赖于以下三类方法，但均存在显著局限性：

2、纯数值模拟方法通常采用计算流体动力学与计算结构动力学相结合的方法进行流固耦合分析。这种方法虽然能够提供详细的流场与结构响应信息，但对于实际复杂建筑外形、大变形非线性问题，其计算往往耗时极巨，无法满足工程快速分析与实时仿真的需求。此外，数值结果的准确性严重依赖于湍流模型、网格划分和边界条件等设定，缺乏物理试验的直接验证。

3、纯物理风洞试验方法通常在全尺寸或大缩尺风洞中对刚性或气动弹性模型进行测试。然而，对于具有复杂动力特性的超高层建筑，制作高保真全气动弹性缩尺模型成本极其高昂，技术挑战巨大。更重要的是，风洞试验难以精确模拟建筑主体的实际频率、阻尼和振型特性，导致对整体系统动力响应的评估存在偏差。

4、传统的实时混合模拟方法是将结构系统划分为数值子结构（ns）和物理试验子结构（ps），通过实时控制器和作动器进行耦合，该方法在地震工程中已成功应用。然而，风工程领域研究超高层建筑风致振动时，现有技术通常将风荷载简化为基于规范或准定常理论预先计算好的荷载时程，然后通过作动器直接施加于试验子结构。这种单向耦合方式未能考虑试验子结构自身运动对周围流场的实时反作用，因而无法真实模拟涡激振动等依赖于瞬时相对风速和运动状态的流固耦合现象，本质上是一种“单向加载”而非“双向耦合”。

5、综上所述，现有技术缺乏一种能够将高保真流场实时计算、结构动力实时分析、以及物理试验精确加载三者深度融合的试验系统，导致无法在物理试验平台上真实再现超高层建筑在风场中的流固耦合振动现象，制约了对高耸结构风致振动工程问题的机理揭示与试验研究。

技术实现思路

1、本说明书一个或多个实施例提供了一种高耸结构风致振动的流固耦合混合模型试验系统，包括：

2、物理试验子结构，包含缩尺模型及对其施加荷载的作动器；

3、数值子结构，配置为基于神经网络模型实时模拟风场与所述缩尺模型之间的流固耦合效应，并生成目标位移指令；

4、实时混合控制单元，分别与所述物理试验子结构和所述数值子结构通信连接，用于接收所述目标位移指令并驱动作动器，以及接收物理试验子结构的实测信号并反馈至数值子结构；

5、其中，所述数值子结构根据所述实测信号在线调整其仿真参数。

6、进一步地，所述数值子结构包括：

7、流固耦合样本数据集构建模块，用于生成多组风场与原型结构相互作用的流固耦合数据；

8、神经网络架构，所述神经网络架构为cnn-lstm混合神经网络，其cnn模块用于提取风场的时空特征，lstm模块用于捕捉流固耦合的时序依赖关系；

9、模型训练优化组件，用于利用所述流固耦合数据对所述神经网络架构进行训练，获得预训练神经网络模型；

10、流固耦合仿真执行单元，搭载所述预训练神经网络模型，用于根据输入的风荷载数据实时模拟流固耦合效应，并输出所述目标位移指令。

11、进一步地，所述数值子结构还包括相似比参数适配学习单元，所述相似比参数适配学习单元嵌入所述缩尺模型的几何和材料相似比参数，用于校准所述预训练神经网络模型的输出与所述物理试验子结构特性之间的匹配度。

12、进一步地，所述数值子结构还包括设备响应特性校准模块，所述设备响应特性校准模块用于导入所述作动器和/或传感器的系统误差数据，对所述预训练神经网络模型进行微调。

13、进一步地，所述数值子结构还包括在线增量学习修正组件，所述在线增量学习修正组件与所述实时混合控制单元连接，用于接收所述实测信号，并基于所述实测信号与仿真结果的偏差动态调整所述数值子结构的仿真参数。

14、进一步地，所述物理试验子结构还包括：

15、位移测量传感器，贴装于所述缩尺模型上，用于采集其振动位移信号；

16、力测量传感器，集成于所述作动器的输出端，用于采集其对所述缩尺模型的荷载力信号；

17、传感信号传输链路，连接所述位移测量传感器、力测量传感器与所述实时混合控制单元，用于传输所述实测信号。

18、进一步地，所述实时混合控制单元为openfresco实时混合环境，其分别与作动器控制器、所述数值子结构、以及所述物理试验子结构中的传感器连接，用于中转指令与信号。

19、本说明书一个或多个实施例提供了一种高耸结构风致振动流固耦合混合模型试验方法，包括：

20、s1：构建包含缩尺模型的物理试验子结构和基于神经网络的数值子结构；

21、s2：向所述数值子结构输入风荷载数据，通过其内置的神经网络模型实时模拟风场与缩尺模型间的流固耦合效应，生成目标位移指令；

22、s3：实时混合控制单元将所述目标位移指令传输至物理试验子结构，驱动作动器对缩尺模型施加位移荷载；

23、s4：实时采集物理试验子结构中缩尺模型的振动位移信号和荷载力信号，作为实测信号；

24、s5：将所述实测信号通过实时混合控制单元反馈至所述数值子结构；

25、s6：所述数值子结构根据接收到的实测信号，在线调整其仿真参数，并基于调整后的参数重新生成下一周期的目标位移指令；

26、s7：重复执行s3至s6，直至完成整个试验过程。

27、进一步地，所述数值子结构的构建过程具体包括：

28、利用全尺度风场-原型结构仿真生成多组流固耦合样本数据；

29、采用cnn-lstm混合神经网络对所述样本数据进行训练，获得预训练神经网络模型；

30、根据缩尺模型的相似比参数和设备响应特性对所述预训练神经网络模型进行校准。

31、进一步地，所述在线调整仿真参数具体为：

32、通过在线增量学习修正组件对比实测位移与仿真预测位移的偏差，动态调整神经网络模型的输出层权重。

33、采用本发明实施例，解决了传统数值模拟计算耗时极长、无法适配实时仿真需求的技术难题，突破了传统开环单向加载无法模拟双向耦合效应的技术瓶颈，有效消除了缩尺效应和设备系统偏差对试验精度的影响，显著提升了混合试验的长期稳定性和数据一致性。

34、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

1.一种高耸结构风致振动的流固耦合混合模型试验系统，其特征在于，包括：

2.根据权利要求1所述的系统，其特征在于，所述数值子结构包括：

3.根据权利要求2所述的系统，其特征在于，所述数值子结构还包括相似比参数适配学习单元，所述相似比参数适配学习单元嵌入所述缩尺模型的几何和材料相似比参数，用于校准所述预训练神经网络模型的输出与所述物理试验子结构特性之间的匹配度。

4.根据权利要求2所述的系统，其特征在于，所述数值子结构还包括设备响应特性校准模块，所述设备响应特性校准模块用于导入所述作动器和/或传感器的系统误差数据，对所述预训练神经网络模型进行微调。

5.根据权利要求1至4中任一项所述的系统，其特征在于，所述数值子结构还包括在线增量学习修正组件，所述在线增量学习修正组件与所述实时混合控制单元连接，用于接收所述实测信号，并基于所述实测信号与仿真结果的偏差动态调整所述数值子结构的仿真参数。

6.根据权利要求1所述的系统，其特征在于，所述物理试验子结构还包括：

7.根据权利要求1所述的系统，其特征在于，所述实时混合控制单元为openfresco实时混合环境，其分别与作动器控制器、所述数值子结构、以及所述物理试验子结构中的传感器连接，用于中转指令与信号。

8.一种高耸结构风致振动流固耦合混合模型试验方法，其特征在于，包括：

9.根据权利要求8所述的方法，其特征在于，所述数值子结构的构建过程具体包括：

10.根据权利要求8所述的方法，其特征在于，所述在线调整仿真参数具体为：