基于改進經驗模態分解與BiLSTM 神經網絡的低矮房屋脈動風壓時程預測

摘要：為解決風壓測量中傳感器數據間歇性缺失問題，提出基于改進經驗模態分解算法（IEMD）和雙向長短期記憶網絡（BiLSTM）的結構表面風壓時程預測方法.首先，采用基于軟篩分停止準則的改進經驗模態分解方法，將風壓時程自適應地分解為多個固有模態函數，并通過樣本熵對其進行重構獲得子序列；其次，針對各子序列完成雙向長短期記憶網絡的構建、訓練及預測，并利用貝葉斯優化（BO）算法對神經網絡超參數進行優化；最后，基于低矮房屋風洞測壓試驗數據進行了風荷載預測，驗證了學習模型的有效性.研究表明，與傳統預測模型（多層感知器、BiLSTM）相比，基于改進經驗模態分解與BiLSTM神經網絡的預測模型具有較高的預測精度和計算效率，適用于高斯與非高斯風壓信號預測.

關鍵詞：低矮房屋；風荷載；深度學習；雙向LSTM；改進經驗模態分解；貝葉斯優化；時程預測

中圖分類號：TU352.2 文獻標志碼：A

低矮房屋受特征湍流影響顯著的區域，其表面風壓會表現出明顯的非高斯特性，易誘發圍護結構風致破壞［1］.設計風荷載的準確估計可通過現場實測或風洞測壓試驗實現，但在信號采集過程中，傳感器數據間歇性缺失可能導致風荷載取值不準確.近年來，眾多學者采用機器學習方法從有限風壓時程數據中提取出特征信息，建立了測壓信號預測模型，彌補測量時因各種原因而缺失的時程數據，對于低矮房屋抗風設計具有重要的工程意義［2-4］.

機器學習通過一些算法訓練提取數據特征并建立模型，使之具備一定的判斷和預測能力，該方法在風工程領域得到越來越廣泛的應用.常用的算法有神經網絡（NNs）、隨機森林（RF）和支持向量機（SVM）等.基于機器學習的風壓場和氣動響應模型，可實現風荷載與風效應宏觀指標的預測，如風速［5］、結構表面風壓分布［6-10］、整體體型系數［11］和風力系數［12-13］等.然而，相較于風壓分布預測，結構的風壓及響應時程預測通常因時程的非平穩特性而具有較大難度，相關研究較少.

相較于傳統機器學習方法，深度學習方法具有更優異的特征識別和表達能力，在處理大量、復雜的數據時具有顯著優勢.因此，部分學者嘗試將深度學習應用于脈動風壓、脈動流場和非定常氣動力的時間序列預測中.Huang 等［14］分別使用深度神經網絡（DNN）和支持向量機對超高層建筑表面非高斯風壓時程進行了預測分析，并利用粒子群優化算法（PSO）來選擇和優化模型參數，經對比發現PSODNN的預測性能具有一定優勢.陳伏彬等［15］結合反向傳播神經網絡（BPNN）與本征正交分解（POD）方法，準確預測了大跨度平屋蓋模型測點的脈動風壓時程.長短期記憶網絡（LSTM）與其變體雙向長短期記憶網絡（bidirectional LSTM，BiLSTM）具有更強大的非線性建模能力和泛化能力，逐漸受到諸多學者的青睞；Li等［16］通過LSTM網絡構建了風-橋相互作用的降階模型，準確預測了橋梁結構的非線性非定常氣動力；Lim等［17］結合LSTM與時移數據校正方法構建了預測模型，成功預測了臺風作用下橋梁周圍的短期風速；武頻等［18］結合LSTM和自編碼器構建了降階模型，對二維圓柱繞流流場進行特征提取和預測，得到了比傳統模態分解法精度更高的結果；Li等［19］分別將支持向量回歸、隨機森林、反向傳播神經網絡、LSTM和LSTM-SVR這5種機器學習模型應用于低矮房屋表面非高斯脈動風壓時程的預測，其中LSTM和LSTM-SVR深度學習模型具有最優的預測精度.

原始樣本數據的非平穩和噪聲將直接影響深度學習模型的泛化性能，也是限制該類模型的實際應用的重要因素［20］.已有學者將信號分解技術與深度學習相結合，通過識別時序數據的內在特征，進一步改善模型的實際性能，并形成“分解―預測―重構”的主流方案.Li等［21］將變分模態分解、粒子群優化算法與BiLSTM相結合，完成了臺風風速時程的短期預測，由于原始時間序列經變分模態分解后非平穩特性大幅降低，模型的精度有顯著提高；Lü等［22］利用改進集成經驗模態分解提高了LSTM模型預測性能，并使用多目標蟻獅優化方法進行訓練，使模型在非平穩風速預測上達到更好的效果；Jaseena 和Ko?voor［23］提出了基于經驗小波變換的BiLSTM 預測模型，實現了實測場地風速時程預測，該方法相比于未進行數據分解的BiLSTM預測方法，能夠顯著提高風速時序的預測精度.

目前，針對低矮房屋風壓時程的預測研究較少，結構表面風壓呈現出的強烈非高斯隨機特性將導致較大的預測誤差.另外，預測模型的最優超參數一般通過在訓練數據集中進行交叉驗證獲得，而深度學習網絡具有超參數選擇困難、學習效率低的問題［24］.因此，本文將改進經驗模態分解技術（IEMD）與BiL?STM結合，通過對數據進行預分解，提高預測的穩定性和精度，并利用貝葉斯優化（BO）算法對BiLSTM模型進行超參數優化，使得預測結果更加精確.

本文以雙向長短期記憶網絡為基礎，結合改進經驗模態分解算法，構建了一種基于IEMD-BiLSTM的風壓時間序列預測方法，依據樣本熵理論降低計算規模，并使用貝葉斯優化算法尋找性能最優的BiLSTM模型.以低矮房屋風洞測壓試驗數據為例，選取4組預測模型作為對照，驗證本文所建立模型的有效性和準確性，對于高斯和非高斯風壓信號具有穩定可靠的預測表現.該方法可以有效解決風場實測或風洞測壓試驗過程中風壓測量數據間歇性缺失的問題，具有工程應用價值.