Nguồn: Mô hình học máy để dự đoán tải trọng gió trên các tòa nhà cao tầng
Học máy là một nhánh của trí tuệ nhân tạo sử dụng dữ liệu và thuật toán cơ bản để xác định các mẫu và đưa ra dự đoán mà không cần lập trình chúng một cách rõ ràng. Điều này được sử dụng thêm để bắt chước hành vi cơ bản giữa các biến độc lập và biến phụ thuộc. Mô hình cập nhật lặp đi lặp lại mối quan hệ giữa các biến phụ thuộc và biến độc lập với độ chính xác được cải thiện theo thời gian. Vài thập kỷ qua chứng kiến sự bùng nổ của các ứng dụng machine learning do dễ dàng cung cấp tài nguyên tính toán và sự phát triển của các mô hình machine learning phức tạp sử dụng mạng nhiều lớp để học hỏi từ các bộ dữ liệu lớn, phức tạp. Các mô hình học máy truyền thống thường không thể nắm bắt được vật lý cơ bản của các hiện tượng chi phối. Các mô hình học máy dựa trên vật lý hiện đang được giới thiệu tích hợp các ràng buộc vật lý vào quá trình học tập, đảm bảo mô hình tuân thủ các định luật khoa học đồng thời nâng cao độ chính xác của dự đoán.
Các mô hình học máy truyền thống là xác định, tức là chúng tạo ra cùng một đầu ra cho một đầu vào nhất định. Ngược lại, các mô hình học máy tổng quát, đã trở nên phổ biến gần đây, tìm hiểu phân phối dữ liệu cơ bản và có thể tạo ra nhiều đầu ra có thể cho cùng một đầu vào. Điều này cho phép khám phá một loạt các kết quả có thể xảy ra cho cùng một đầu vào. Các ví dụ về mô hình tổng quát phổ biến nhất là trong lĩnh vực tạo hình ảnh (DALL. E, Sora, Midjourney, v.v.) và tạo văn bản (ChatGPT, Perplexity). Tương tự, trong kỹ thuật dân dụng, dữ liệu lịch sử và kết quả thí nghiệm có thể được tận dụng hiệu quả để đào tạo các mô hình học máy nhằm giảm chi phí và thời gian của dự án. Điều này được Burton (2021) tóm tắt tốt, đòi hỏi nhiều ứng dụng khác nhau, chẳng hạn như cải thiện các mối quan hệ thực nghiệm được đề xuất bởi các tiêu chuẩn thiết kế khác nhau, mô hình thay thế và trích xuất thông tin / tính năng.
Lĩnh vực kỹ thuật gió cũng đã chứng kiến sự phát triển đáng kể, cung cấp các giải pháp sáng tạo để phân tích và giảm thiểu tác động của gió đối với các tòa nhà cao tầng (He et al., 2021; Kareem, 2020; Liu và cộng sự, 2023). Một ví dụ như vậy là về sự phát triển của mô hình máy để xử lý hình ảnh để xác định các khu vực vận tốc thấp xung quanh tòa nhà cho môi trường gió ở cấp độ người đi bộ. Mô hình được đào tạo trên một bộ dữ liệu lớn về các vectơ vận tốc xung quanh một tòa nhà bằng cách sử dụng mô phỏng động lực học chất lỏng tính toán. Các mô hình học máy cũng đã được mở rộng để dự đoán tải trọng gió trên các tòa nhà cao tầng (Meddage et al., 2024), trong đó lịch sử thời gian gió trên bề mặt tòa nhà được dự đoán dựa trên tọa độ không gian của nó làm đầu vào. Các mô hình mới nổi như vậy của máy học mang lại những cơ hội đầy hứa hẹn trong lĩnh vực kỹ thuật dân dụng và kết cấu, đặc biệt là xung quanh việc phân tích và mô hình hóa các tương tác phức tạp của cấu trúc gió.
Hiện tại, kỹ thuật gió kết cấu hiện đại xoay quanh các mô phỏng lịch sử phản ứng phi tuyến của các tòa nhà cao tầng chịu gió lặp đi lặp lại với cường độ ngày càng tăng (Athanasiou và cộng sự, 2022). Kỹ thuật gió dựa trên hiệu suất, rất quan trọng đối với cơ sở hạ tầng có khả năng phục hồi, phụ thuộc nhiều vào việc mô phỏng phản ứng của tòa nhà đối với gió cấp độ dịch vụ và thiết kế bằng cách sử dụng lịch sử gió động. Tải trọng gió thường được đánh giá ở dạng không thứ nguyên thông qua các thí nghiệm đường hầm gió lớp ranh giới khí quyển tiêu chuẩn. Thử nghiệm này thường được sử dụng làm điểm chuẩn để tạo ra nhiều bộ lịch sử tải trọng gió ngang, gió ngang và gió xoắn, đóng vai trò là đầu vào cho phân tích lịch sử phản hồi phi tuyến. Mô phỏng Monte Carlo, chẳng hạn như từ Shinozuka (1972), thường được sử dụng để tạo ra lịch sử thời gian gió trong khi đảm bảo sự phân bố năng lượng nhất quán trên tần số (mật độ phổ công suất) như trường hợp chuẩn. Việc tạo ra tải trọng gió đáng tin cậy là rất quan trọng để dự đoán các thông số nhu cầu kỹ thuật. Tuy nhiên, mô phỏng Monte Carlo đòi hỏi nhiều tính toán và đòi hỏi người dùng có kỹ năng mọi lúc trong khi tạo ra tải trọng gió.
Để giảm thiểu những nhược điểm này, bài báo đề xuất một khuôn khổ để tạo lịch sử thời gian tải trọng gió trên một tòa nhà hình chữ nhật với sự trợ giúp của các mô hình máy học tổng quát, kết hợp vật lý của hiện tượng này bằng cách hạn chế chúng để phù hợp với mật độ phổ công suất của tải trọng gió. Khuôn khổ này sẽ giảm đáng kể nỗ lực tính toán và đơn giản hóa quy trình cho các kỹ sư thực hành, những người yêu cầu một tập hợp lớn lịch sử thời gian tải để đánh giá hiệu suất của các tòa nhà như vậy.
Khuôn khổ
Hình 1 tóm tắt các bước chính liên quan đến việc phát triển mô hình học máy để tạo ra lịch sử thời gian gió có ý nghĩa vật lý. Đó là:
- Tiến hành các thí nghiệm đường hầm gió lớp ranh giới khí quyển trên các tòa nhà nhạy cảm với gió, thay đổi tỷ lệ Chiều cao-Chiều rộng-Độ sâu (HBD), góc tới của gió và điều kiện tiếp xúc với khí quyển.
- Xử lý trước lịch sử tải trọng gió để đào tạo các mô hình máy học.
- Phát triển mô hình máy học cơ sở để tìm hiểu các mẫu lịch sử thời gian của dữ liệu được xử lý.
- Phát triển mô hình máy học tổng quát để tạo lịch sử thời gian gió.
- Kết hợp các mô hình được phát triển trong các giai đoạn (c) và (d) để tạo ra lịch sử thời gian tải gió trong khoảng thời gian cần thiết.
Cơ sở dữ liệu đường hầm gió lớp ranh giới khí quyển
Cơ sở dữ liệu thí nghiệm đường hầm gió lớp ranh giới khí quyển là một tập hợp các phép đo áp suất do gió gây ra trên các tòa nhà hình chữ nhật bị cô lập với các cấu hình hình học khác nhau trong điều kiện gió lớp ranh giới mô phỏng. Đây là một thiết lập thí nghiệm tiêu chuẩn mà các học viên nên thực hiện cho các tòa nhà cao tầng / cấu trúc mảnh mai để có được hệ số tải trọng gió đáng tin cậy. Thông thường, các thí nghiệm được thực hiện cho một loạt các góc tấn công của gió (0 ° -100 °) trên các tòa nhà được kiểm tra. Hệ thống đa áp suất đồng thời được sử dụng để đánh giá lực áp lực gió trên từng bề mặt tòa nhà. Đại học Bách khoa Tokyo (TPU) đã phát triển một cơ sở dữ liệu khí động học truy cập mở dựa trên nhiều thí nghiệm đường hầm gió lớp ranh giới khí quyển được thực hiện trên các tòa nhà thấp tầng và cao tầng trong các môi trường phơi sáng khác nhau (TPU, https://wind.arch.t-kougei.ac.jp/system/eng/contents/code/tpu). Phần tòa nhà cao tầng TPU bao gồm dữ liệu từ 22 mô hình tòa nhà cao tầng, cung cấp các đường viền thống kê về hệ số áp suất gió cục bộ, biểu đồ hệ số áp suất gió trung bình diện tích trên bề mặt tường và dữ liệu chuỗi thời gian của hệ số áp suất gió điểm cho 394 trường hợp thử nghiệm. Dữ liệu này tạo điều kiện thuận lợi cho việc tính toán áp suất gió trung bình cục bộ và khu vực, cũng như phản ứng động do gió gây ra của các tòa nhà cao tầng. Tập dữ liệu này được sử dụng làm điểm chuẩn để phát triển mô hình máy học của chúng tôi trong khuôn khổ hiện tại. Một bản dựng mẫu từ cơ sở dữ liệu TPU mô tả các vị trí vòi áp suất, cùng với vận tốc đầu vào và cấu hình cường độ nhiễu loạn, được thể hiện trong Hình 2.
Tiền xử lý cơ sở dữ liệu đường hầm gió lớp ranh giới khí quyển
Một thí nghiệm đường hầm gió lớp ranh giới khí quyển duy nhất cung cấp hệ số gió tại các vị trí khác nhau trên tất cả các bề mặt tòa nhà (Hình 2a). Sau đó, điều này được sử dụng để tính toán lịch sử thời gian hệ số lực, bao gồm các thành phần dọc theo gió, gió ngang và xoắn. Chúng được tính bằng cách tính trung bình các hệ số gió đo được theo các hướng tương ứng. Hàm mật độ phổ công suất của hệ số lực cho một tòa nhà mẫu có tỷ lệ chiều rộng-chiều sâu-chiều cao là 1:1:3 được thể hiện trong Hình 3a cho một chiều cao nhất định (z = 0,75H). Một tập dữ liệu chiều cao như vậy thường phức tạp để đào tạo mô hình học máy. Để khắc phục điều này, tính kích thước của hệ thống được giảm xuống một vài chế độ chiếm ưu thế, sử dụng Phân hủy trực giao thích hợp (POD – Weiss, 2019). Vì ba thành phần gió độc lập với nhau, các hoạt động riêng biệt được thực hiện, giúp giảm độ phức tạp của mô hình. Đối với mỗi thành phần, thông thường hai hoặc ba chế độ là đủ để thu 90
Các chế độ rút gọn được tính toán của lịch sử thời gian trước tiên được chuẩn hóa với giá trị trung bình và độ lệch chuẩn tương ứng của chúng để đảm bảo đóng góp bằng nhau của mỗi lịch sử thời gian trong quá trình đào tạo mô hình học máy. Sau đó, lịch sử thời gian được điều chỉnh thêm để loại bỏ bất kỳ xu hướng nào theo thời gian (sử dụng chênh lệch liên tiếp) hoặc bất kỳ ngoại lệ nào do lỗi đo lường. Các hoạt động như vậy đảm bảo sự ổn định về số cũng như sự hội tụ nhanh hơn của các mô hình học máy. Lịch sử thời gian xử lý cuối cùng được sử dụng để đào tạo các mô hình học máy.
Phát triển mô hình học máy cơ sở
Lịch sử thời gian gió đã xử lý cho từng thành phần (dọc theo gió, gió ngang và xoắn) trước tiên được đào tạo bằng cách sử dụng mô hình máy học truyền thống (được gọi là mô hình cơ sở). Mục tiêu của mô hình cơ sở là tìm hiểu các xu hướng cơ bản trong lịch sử thời gian và cập nhật các tham số mô hình bằng cách sử dụng quy trình lặp lại. Các mô hình cơ sở được sử dụng phổ biến nhất cho các mục đích như vậy là các mô hình Mạng nơ-ron tái phát (RNN), Bộ nhớ dài hạn-ngắn hạn (LSTM) và Transformer Mô hình LSTM được phát triển bởi Hochreiter và Schmidhuber (1997) được sử dụng trong khuôn khổ hiện tại do hiệu quả của nó trong việc nắm bắt các phụ thuộc dài hạn trong chuỗi thời gian. Mô hình LSTM là một loại mô hình RNN đặc biệt bao gồm ba thành phần chính: (1) cổng quên, (2) cổng đầu vào và (3) cổng đầu ra, giúp quản lý luồng dữ liệu theo thời gian. Mô hình yêu cầu một chuỗi các điểm dữ liệu đầu vào có độ dài cố định (được gọi là “độ dài trình tự”) để dự đoán đầu ra tiếp theo trong chuỗi thời gian. Dự đoán này sau đó được sử dụng đệ quy làm đầu vào cho các bước trong tương lai, cho phép nó tạo ra độ dài cần thiết của chuỗi thời gian.
Ngoài độ dài trình tự, các bộ tham số khác được gọi là siêu tham số được yêu cầu để xác định kiến trúc của mô hình LSTM. Điều này phải được chỉ định trước khi đào tạo mô hình, không giống như trọng số và thiên vị mô hình, được học trong quá trình đào tạo. Các siêu thông số này cần được điều chỉnh để tối đa hóa hiệu suất của mô hình. Quá trình đào tạo mô hình thường liên quan đến việc giảm thiểu sai số bình phương trung bình giữa chuỗi thời gian dự đoán và chuỗi thời gian thực tế và các tham số mô hình được cập nhật bằng thuật toán giảm dốc. Ngoài ra, các ràng buộc dựa trên vật lý được kết hợp bằng cách giảm thiểu sai số bình phương trung bình giữa mật độ quang phổ tự động của chuỗi thời gian dự đoán và chuỗi thời gian thực tế. Hiệu suất của mô hình được đánh giá không chỉ bằng cách so sánh mật độ quang phổ tự động mà còn cả sự gắn kết giữa các tín hiệu chuỗi thời gian.
Sau khi đào tạo mô hình cơ sở, phân đoạn ban đầu của chuỗi thời gian được đưa ra dưới dạng đầu vào và độ dài yêu cầu của chuỗi thời gian được dự đoán đệ quy. Sau khi mô hình máy học cơ bản được phát triển, một mô hình tổng quát được tạo ra để tạo ra các phân đoạn đầu vào ngẫu nhiên, cho phép tạo lịch sử thời gian ngẫu nhiên và thực tế.
Phát triển mô hình học máy tổng quát
Mô hình cơ sở được phát triển hoạt động xác định, có nghĩa là nó luôn tạo ra cùng một đầu ra cho một phân đoạn đầu vào nhất định, điều này hạn chế khả năng tạo ra các thực hiện lịch sử thời gian đa dạng hoặc ngẫu nhiên. Để giải quyết vấn đề này, một mô hình tổng quát bổ sung được phát triển để giới thiệu tính ngẫu nhiên. Mô hình này tạo ra các chuỗi đầu vào ngẫu nhiên, nhất quán về mặt vật lý, cho phép tạo ra các chuỗi đầu ra đa dạng và thực tế.
Mô hình tổng quát phổ biến nhất là Generative Adversarial Network (GAN, được phát triển bởi Goodfellow et al., 2014), tạo ra dữ liệu thực tế bằng cách tìm hiểu sự phân phối của tập dữ liệu gốc. GAN bao gồm hai thành phần chính: (1) mô hình máy phát điện và (2) mô hình phân biệt. Mô hình GAN được đào tạo thông qua trò chơi tối thiểu-tối đa giữa bộ tạo và bộ phân biệt: bộ tạo được đào tạo để giảm thiểu lỗi trong việc tạo mẫu, trong khi bộ phân biệt được đào tạo để tối đa hóa khả năng phân biệt giữa dữ liệu thực và dữ liệu được tạo.
Tương tự như mô hình học máy cơ sở, mô hình generator cũng yêu cầu một tập hợp các siêu tham số, cần được chỉ định trước quá trình đào tạo. Những điều này cần được tinh chỉnh để tối đa hóa hiệu suất của GAN. Sau khi đào tạo, hiệu suất của mô hình máy học tổng quát được đánh giá bằng cách so sánh sự phân phối của phân đoạn dữ liệu được tạo với phân đoạn dữ liệu thực.
Kết hợp các mô hình để tạo ra lịch sử thời gian hệ số lực gió ngẫu nhiên
Lịch sử thời gian gió ngẫu nhiên có thể được tạo với sự trợ giúp của các mô hình máy học được phát triển trong các phần trước thông qua các bước sau:
- Tạo một phân đoạn đầu vào ngẫu nhiên của lịch sử thời gian gió, CpCg(t), sử dụng mô hình GAN.
- Phân đoạn đầu vào ngẫu nhiên từ bước trước sau đó được sử dụng để dự đoán lịch sử thời gian CpCg đệ quy, sử dụng mô hình LSTM.
- Sử dụng phép biến đổi ngược được sử dụng để xử lý các chế độ khác nhau của lịch sử thời gian CpCg để có được các chế độ ban đầu.
- Lịch sử thời gian CpCg gió cuối cùng sau đó được thu được bằng cách sử dụng cùng một quy trình POD.
Các mô hình có thể được phát triển cho tập hợp các tòa nhà và góc tấn công. Một mô hình có điều kiện tổng thể sẽ được phát triển để điều chỉnh các thông số mô hình dựa trên các đầu vào sau: hình học tòa nhà (tỷ lệ kích thước tòa nhà), độ nhám địa hình và góc tấn công.
Kết luận
Khuôn khổ hiện tại đề xuất một cách tiếp cận sáng tạo để tạo ra tải trọng gió thông qua việc áp dụng nhiều mô hình học máy. Cho đến nay, hầu hết các ứng dụng trong lĩnh vực kỹ thuật gió chỉ giới hạn trong các mô hình học máy truyền thống, thiếu tính ngẫu nhiên. Điều này được khắc phục bằng cách kết hợp mô hình tổng quát với mô hình học máy dựa trên vật lý truyền thống để tạo ra các đầu ra ngẫu nhiên đáng tin cậy. Cách tiếp cận như vậy làm nổi bật tiềm năng ngày càng tăng của các mô hình kết hợp như vậy kết hợp khả năng giải thích của các khuôn khổ dựa trên vật lý với khả năng thích ứng của các mô hình học máy tổng quát.
Khuôn khổ này có thể giúp các kỹ sư thực hành giảm chi phí và thời gian của dự án bằng cách loại bỏ nhu cầu của thí nghiệm đường hầm gió lớp ranh giới khí quyển tiêu chuẩn để có được lịch sử thời gian lực gió đáng tin cậy. Điều này cũng giúp giảm nỗ lực tính toán và kỹ năng cần thiết để thực hiện mô phỏng Monte Carlo để tạo ra nhiều lịch sử thời gian thực tế và ngẫu nhiên bằng cách sử dụng dữ liệu thực nghiệm.
Công việc trong tương lai có thể tập trung vào việc mở rộng khuôn khổ như vậy để bao gồm các cấu trúc của các hình học khác nhau, cải thiện khả năng giải thích của các mô hình, thực hiện thời gian thực trong giám sát sức khỏe cấu trúc và dự đoán biến đổi khí hậu. ■
Giới thiệu về các tác giả
Aniket Panchal hiện đang theo học tiến sĩ tại Viện Công nghệ Ấn Độ Gandhinagar, Ấn Độ, tập trung vào đánh giá đa mối nguy hiểm của các tòa nhà cao tầng dưới sự kích thích của gió và động đất.
Anastasia Athanasiou (Ph.D) là Trợ lý Giáo sư về Thiên tai và Khả năng phục hồi Kết cấu tại Bauhaus-Universität Weimar, Đức.
Nenghui (Chris) Lin là Kỹ sư Dự án tại Mott MacDonald và là sinh viên tốt nghiệp tại Khoa Khoa học Máy tính tại Đại học Texas ở Austin. Ông chuyên thiết kế giải pháp AI đầu cuối và phát triển LLM.
Tham khảo
Athanasiou A, Tirca L, Stathopoulos T (2022) Tải trọng gió và động đất phi tuyến trên các tòa nhà khung giằng thép cao. Tạp chí Kỹ thuật Kết cấu ASCE, 148 (8): 04022098, https://ascelibrary.org/doi/10.1061/%28ASCE%29ST.1943-541X.0003375
Burton, H., 2021. Ứng dụng học máy. CẤU TRÚC.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., Bengio, Y., 2014. Mạng đối kháng sinh tạo. Những tiến bộ trong hệ thống xử lý thông tin thần kinh 27.
He, Y., Liu, XH, Zhang, HL, Zheng, W., Zhao, FY, Aurel Schnabel, M., Mei, Y., 2021. Khung kết hợp để đánh giá nhanh môi trường gió xung quanh các tòa nhà thông qua thiết kế tham số, mô phỏng CFD, xử lý hình ảnh và học máy. Thành phố và Xã hội Bền vững 73, 103092. https://doi.org/10.1016/j.scs.2021.103092
Hochreiter, S., Schmidhuber, J., 1997. Trí nhớ ngắn hạn dài. Tính toán thần kinh 9, 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Kareem, A., 2020. Biên giới mới nổi trong kỹ thuật gió: Máy tính, ngẫu nhiên, học máy và hơn thế nữa. Tạp chí Kỹ thuật Gió và Khí động học Công nghiệp 206, 104320. https://doi.org/10.1016/j.jweia.2020.104320
Liu, YJ, Fu, HY, Tong, B., Liu, YH, He, YC, 2023. Đánh giá trường gió tiếp cận cho nhà cao tầng dựa trên hồ sơ áp suất gió thông qua kỹ thuật học máy. Cấu trúc kỹ thuật 280, 115663.
https://doi.org/10.1016/j.engstruct.2023.115663 Meddage, DPP, Mohotti, D., Wijesooriya, K., 2024. Dự đoán tải trọng gió thoáng qua trên các tòa nhà cao tầng theo tọa độ không gian ba chiều bằng cách sử dụng máy học. Tạp chí Kỹ thuật Xây dựng 85, 108725. https://doi.org/10.1016/j.jobe.2024.108725
Ouyang, Z., Spence, SMJ, 2021. Đánh giá thiệt hại kết cấu và vỏ bọc do gió gây ra dựa trên hiệu suất của các tòa nhà kỹ thuật thông qua phân tích động học phi tuyến. Tạp chí Kỹ thuật Gió và Khí động học Công nghiệp 208, 104452. https://doi.org/10.1016/j.jweia.2020.104452
Shinozuka, M., 1972. Giải pháp Monte Carlo về động lực học kết cấu. Máy tính & Cấu trúc 2, 855–874. https://doi.org/10.1016/0045-7949 (72) 90043-0
Weiss, J., 2019. Hướng dẫn về cách phân rã trực giao thích hợp. https://doi.org/10.14279/DEPOSITONCE-8512
