Применение методов машинного обучения для прогнозирования аэродинамических коэффициентов давления на здания и сооружения прямоугольных форм

Введение. Ветровые воздействия являются одним из ключевых факторов при расчете зданий и сооружений. Нормативные расчеты, физическое и численное моделирование, а также натурные измерения имеют ряд ограничений в применении. Использование технологий машинного обучения (ML) открывает новые возможности для оперативного и точного прогнозирования ветровых нагрузок. Рассматривается применение ML-моделей для оценки распределения аэродинамических коэффициентов давления на здания прямоугольных форм, что позволяет не только вычислять интегральные характеристики (силы, моменты), но и детально анализировать распределение нагрузок по фасадам.Материалы и методы. Для обучения моделей использовалась база данных Токийского политехнического университета, в которой представлены результаты испытаний в аэродинамической трубе на моделях зданий различной высоты и ширины. Произведена аугментация данных, что увеличило исходный объем выборки и повысило способность ML-моделей обобщать различные геометрические конфигурации. В ходе обработки признаков учитывались разные углы атаки ветра, а также анализировалась корреляция признаков с целью устранения мультиколлинеарности. Основными методами прогнозирования выступили линейная регрессия, дерево решений и градиентный бустинг (CatBoost).Результаты. Проведенные расчеты показали, что наилучший баланс между точностью предсказаний и сохранением физической интерпретируемости обеспечил градиентный бустинг над решающим деревом (CatBoost), снизив среднюю взвешенную ошибку до 16–18 %. Дополнительно выполнено сопоставление с результатами аэродинамических испытаний, что подтвердило адекватность предложенного подхода.Выводы. Применение методов машинного обучения, в частности градиентного бустинга, дает возможность надежно прогнозировать аэродинамические коэффициенты давления на различные габаритные формы зданий при широком диапазоне углов ветровой атаки. Полученные результаты демонстрируют перспективность использования ML-моделей для ускорения и удешевления этапов оценки ветровых воздействий.

ветровая нагрузка, машинное обучение (ML), аугментация данных, дерево решений, градиентный бустинг, аэродинамический коэффициент, здания и сооружения