基于PI-WGANDIV模型构建的概率风谱重构随机风场

《Journal of Wind Engineering and Industrial Aerodynamics》:Reconstruction of stochastic wind field based on the probabilistic wind spectra constructed by the PI-WGANDIV model

【字体: 大 中 小 】 时间:2026年09月24日 来源:Journal of Wind Engineering and Industrial Aerodynamics 5.1

编辑推荐:

   •提出了物理信息Wasserstein散度GAN模型(PI-WGANDIV),用于数据稀缺条件下的风谱参数数据增强。•该模型强制参数有界范围和跨参数相关性,以确保生成样本的物理一致性。•所提出的模型在高风速域建立了概率风谱。•基于已建立的概率风谱重构风场。引言随着大跨度桥梁跨

  
  • •
    提出了物理信息Wasserstein散度GAN模型(PI-WGANDIV),用于数据稀缺条件下的风谱参数数据增强。
  • •
    该模型强制参数有界范围和跨参数相关性,以确保生成样本的物理一致性。
  • •
    所提出的模型在高风速域建立了概率风谱。
  • •
    基于已建立的概率风谱重构风场。

引言

随着大跨度桥梁跨径的不断增大,对这些柔性结构的抗风设计与维护提出了更高的要求(Jiang et al., 2025; Guo et al., 2026)。风致抖振可能影响结构的正常使用极限状态和疲劳极限状态。量化风场特性是理解风致振动的坚实基础(Zhang et al., 2025)。风功率谱描述了不同频率下脉动风能的分布,其形状直接影响结构的响应水平。因此,基于一些特定且具有代表性测风点的实测风数据,已建立了大量的风谱模型(Tao et al., 2020; Huang et al., 2025; Hu et al., 2021; Zhou et al., 2024)。这些研究关注极端风的平稳性,针对台风和下击暴流建立了一系列开创性的演化谱模型。
上述谱模型中,系数被认为在不同场地条件、平均风速水平和离地高度下保持不变。然而,实测观察表明风谱存在明显的离散性(Solari and Piccardo, 2001)。因此,建立了一系列概率风谱。Fenerci和?iseth提出了一种由对数正态分布谱参数组成的概率风谱(Fenerci and Oiseth, 2018; Lystad et al., 2020)。Liu等人研究了满足江阴大桥场实测风数据的对数正态分布谱参数(Liu et al., 2022a)。Liu等人建议在西侯门大桥场使用广义极值分布来描述非确定性风谱(Liu et al., 2022b)。在这些研究中,他们偏离了实测谱参数被限制在特定范围内的实际情况。因此,Liu的工作(Liu et al., 2024a, Liu et al., 2024b)在马鞍山长江大桥场提出了截断分布的概率风谱。
显然,实测风数据的质量和数量与概率风谱模型的精细化程度相关。不幸的是,由于缺乏高风速数据,上述工作中的概率信息精度在高风速域受到限制。这可能导致与实测强风的概率特征出现偏差,从而降低随机风场重构的精度。因此,在缺乏足够历史强风数据的条件下,在高风速域重建可靠的概率风谱是一项挑战。
数据增强通常用于解决样本集不足的问题。生成对抗网络(GAN)是基于博弈论中纳什平衡的最流行的数据增强方法之一(Goodfellow et al., 2014; Li et al., 2024; Wen et al., 2023)。它采用两个组成部分,即判别器(D)和生成器(G)。G生成与真实数据分布特征相似的数据,D识别真实数据和生成数据。由于其生成逼真数据的强大能力,以及在对具有隐式分布的复杂数据进行建模时无需特定假设,GAN已被视为风数据生成的可靠工具。在Yin的工作中,基于GAN生成了与真实风数据分布相似的风样本(Yin et al., 2021),解决了有限历史数据集可用历史数据不足的问题。在GAN中,使用了Jensen-Shannon(JS)散度。当生成数据分布与真实数据分布之间没有重叠时,JS散度为常数,会发生梯度消失问题(Arjovsky et al., 2017; Jiang et al., 2021; Hu et al., 2024)。为解决这一问题,将Wasserstein距离引入GAN中,同时定义梯度惩罚以实现Wasserstein距离中的K-Lipschitz约束要求,称为带梯度惩罚的Wasserstein GAN(WGANGP)(Gulrajani et al., 2017; Zhu et al., 2023; Song et al., 2023)。WGANGP确实提高了GAN的稳定性和生成质量。Liu用它生成了与实测数据非常相似的高质量风谱参数样本(Liu et al., 2025)。不幸的是,Wu的工作表明WGANGP涉及经验操作且缺乏数学证明(Wu et al., 2018)。为填补这一空白,Wu提出了Wasserstein散度GAN(WGANDIV)(Wu et al., 2018),它是Wasserstein距离的松弛版本,不要求K-Lipschitz约束。该方法在标准图像合成基准测试中被证明相比现有最佳方法具有优越性能。然而,使用WGANDIV进行风谱参数生成存在两个问题。首先,WGANDIV生成的数据未考虑生成数据的范围,而谱参数的边界具有实际意义,必须在特定域内进行控制。其次,根据先前的研究(Fenerci and Oiseth, 2018; Liu et al., 2022a),不同谱参数之间的相关性非常重要,应在WGANDIV中予以考虑。
为此,提出了物理信息Wasserstein散度GAN(PI-WGANDIV),用于在数据稀缺条件下生成物理一致的谱参数,以在高风速域构建概率风谱。第2节简要介绍了不同的GAN模型。第3节详细介绍了江阴大桥场的风况。第4节提出了PI-WGANDIV,并通过与蒙特卡洛重采样、WGANGP和WGANDIV的比较展示了其在数据增强中的有效性和优越性。第5节基于增强数据构建的概率风谱重构了随机风场。第6节列出了结论。

各节摘要

生成对抗网络的简介

生成对抗网络(GAN)具有生成高质量、多样化逼真样本的能力。关于GAN的理论(即GAN、WGANGP和WGANDIV)在子节中介绍。

长江流域风况

江阴大桥是中国第一座跨径为1385米的大跨度钢箱梁悬索桥,位于长江之上,连接江苏省荆江市和江阴市,如图2所示。
根据Liu的工作(Liu et al., 2022a),采用2019年1月至2020年12月在江阴大桥场记录的78840个风数据样本进行风况统计分析。这些样本被分解为平均风速U、纵向脉动

所提出的方法

对于实测风数据U、σε、Aε和Bε(ε = u, w),使用上述GAN模型进行数据生成存在两个问题。首先,GAN生成的数据未考虑生成数据的范围。然而,U、σε、Aε和Bε都有具有实际意义的具体限制。标准差σε表示风速的脉动程度,其范围始终有界于(0, X)之间。根据不同研究(Liu et al., 2022a, 2022b),σu的X值通常低于

高风速域湍流参数的统计特性

在高风速域(17 m/s,23 m/s)中,PI-WGANDIV模型共生成了10000个谱参数样本。基于PI-WGANDIV生成的谱参数σε、Aε和Bε(ε = u, w),为江阴大桥场构建高风速域的概率风谱。为此,研究了σε、Aε和Bε(ε = u, w)的概率分布。
图14绘制了生成的谱参数σε、Aε和Bε的直方图

结论

提出了物理信息Wasserstein散度GAN(PI-WGANDIV),用于增强强风数据以在高风速域构建概率风谱。通过与蒙特卡洛重采样、WGANDIV和WGANGP的比较,证明了其在生成风数据样本方面的优越性。基于PI-WGANDIV,为江阴大桥场构建了高风速域的概率风谱,对生成的最大风速进行了对比

CRediT作者贡献声明

Yun Liu:原稿撰写、可视化、验证、方法论、调查、概念化。Hao Wang:审阅与编辑、指导、项目管理、经费获取。

利益冲突声明

我们声明不存在与所提交工作相关的任何商业或关联利益冲突。

致谢

本研究工作由国家自然科学基金委员会(编号52338011)共同资助。
Yun Liu|Hao Wang
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号