摘要：扁平箱梁因具有较优的颤振性能,已被应用于绝大多数大跨径桥梁.为便于桥梁设计者在大跨度桥梁初步设计阶段快速评估扁平箱梁的颤振性能,提出了一种基于集成学习的深度神经网络模型,用于快速预测扁平箱梁颤振导数.首先采用强迫振动风洞试验获取了15种典型扁平箱梁的颤振导数,结合自由振动风洞试验和二维颤振计算验证了颤振导数的准确性;基于风洞试验数据,构建了大小为525的颤振导数数据集,以此数据集为基础,对所提出的集成式深度神经网络开展了模型训练和性能测试.计算结果表明:所提出的集成式深度神经网络模型仅依靠扁平箱梁的气动外形特征即可准确且快速地预测不同折算风速下的8个颤振导数,且仅利用本文60%的数据集进行训练即可获取较高精度的预测结果;对比传统的多项式回归模型和单一人工神经网络模型,本文所提出的集成式深度神经网络模型预测精度更高,可直接应用到桥梁初步设计阶段的气动选型和颤振计算中.

摘要：为在工程设计初步阶段快速评价流线型箱梁颤振性能,基于4种机器学习算法(支持向量机回归、神经网络、随机森林回归和高斯过程回归),利用自由振动风洞试验获取的15种不同流线型箱梁断面在5种不同风攻角下的颤振临界风速,建立了从气动外形与动力参数到颤振临界风速的颤振临界风速预测模型。结果表明:支持向量机回归模型预测结果整体精度最高,且在实际桥梁上表现性能较好;神经网络模型较差,但其相对误差仍远低于JTG/T 3360-01-2018《公路桥梁抗风设计规范》中提供的3种不同颤振临界风速简化计算公式的结果。该研究的结果符合预期要求,未来可进一步扩充数据集,以期成为对抗风设计工作者提供高精度颤振性能评估的有力工具。