桥梁风工程与人工智能（综述）

文章目录

文献[1]

主要内容：
个人评价：

文献[2]

主要内容：
个人评价：

文献[3]（是否属于机器学习）

摘要

文献[4]

主要内容
评价

文献[5]

摘要：
评价：

文献[1]

主要内容：

利用特征工程（特征降维、具有强相关性的特征删除），基于实验数据，将泰勒展开的涡激力模型进行特征缩减，达到简化多项式模型的目的。最后将本文的模型与Scanlan和LeDong Zhu的模型进行比较，以陈述优劣性。

个人评价：

本人尝试过利用自激力实验数据进行类似思路的特征降维。实际上，基于实验的位移、气动力相关性完全取决于实验条件的设置。比如，对于自激力而言，可以利用强迫振动装置将竖向 $h$ 和扭转 $\alpha$ 设置成强相关或若相关均可，这就在原理上无法判断如何删选特征。当然，这对于只存在单自由度运动的涡激共振而言并不是一个很大的问题。实际上，多项式模型本身就是一个参数模型¹，气动力建模问题的出发点即为“数据驱动”。当涉及到非线性问题，e.g., higher-order harmonic components，多项式模型在实际引用的时候大大提高了模型复杂度。

文献[2]

主要内容：

基于西堠门大桥六年的field-measured 涡激共振数据；
利用决策树算法建立识别涡振模态的分类模型（feature–>target: wind characteristics–>VIV modes) （不是一个fft就能识别？）
利用SVR在时域内对单个模态的VIV响应进行建模（feature–>target: $U_{speed_{1,2,3}}$ , $U_{direction_{1,2,3}}$ )。值得注意的是，添加了上一步预测的响应作为特征输入到当前步的预测当中，即循环神经网络的思想。
$\widehat{A}^{n}=f\left(\widehat{A}^{n-1}, U_{1 / 4}^{n}, U_{1 / 2}^{n}, U_{3 / 4}^{n}, \theta_{1 / 4}^{n}, \theta_{1 / 2}^{n}, \theta_{3 / 4}^{n}\right)$
基于SVR模型的参数分析，包括：初始响应、风速和风向、风速跨向不均匀性

个人评价：

写论文就是这个套路。也不管到底有没有意义，反正工作量在这里。
什么时候论文可以只关注idea而尽可能忽略一些的冗余工作量？

文献[3]（是否属于机器学习）

摘要

基于SHM (structural health monitoring) 的实测数据，利用RDT (random decrement technique)从大量加速度响应中识别VIV (vortex-induced vibration)响应。
首先利用RDT处理数据，并发现VIV和传统随机响应之间的特性不同。
基于处理的数据的峰值变化系数（COV）定义了一个辨别这两种响应的阈值。
利用数值模拟获得了两种响应，对此方法进行验证。
最后利用西堠门涡振，发现本文的方法与异常监测方法效果相同，识别了60个VIV事件，罗列了一些基于涡激共振的现象、原因、解释等等。

文献[4]

主要内容

利用kriging model（实质为高斯过程回归模型，GPR）建立流线型箱梁气动外形修正的代理模型，基本思路是：
桥梁风工程与人工智能（综述）

评价

是真的长啊。。。
采样数据量是真的少啊。。。
相比于[5]，工作量是真的大，代理模型玩的不如[5]玩的6。。。

文献[5]

摘要：

为了增强土木工程的实验设计以及在探索和开发之间取得平衡 (reach a balance between exploration and exploitation)，提出基于有限试验/计算机资源约束的顺序更新代理模型建立方法²。在这个方法中，kriging model和SVR 模型在同一个更新循环当中同时使用，用来提供下一次更新的采样点。这个加点准则或策略（infill criterion）是基于MSE和 expected improvement（EI）的（没仔细看，不知道为什么MSE也可以）。将这种方法应用到bridge deck-wave interaction和断面气动优化的问题当中。终极目的：最大化利用实验数据的有效信息。
桥梁风工程与人工智能（综述）

评价：

idea比较常规，基本上都是围绕优化来做；
真的长。。。代理模型的文章都这么长的么。。。

[1] Tian, Xiaoxia, and Jingwen Yan. “A novel semi-empirical supervised model of vortex-induced vertical force on a flat closed-box bridge deck.” International Journal of Distributed Sensor Networks 15.1 (2019): 1550147719826843.
[2] Li, Shanwu, Shujin Laima, and Hui Li. “Data-driven modeling of vortex-induced vibration of a long-span suspension bridge using decision tree learning and support vector regression.” Journal of Wind Engineering and Industrial Aerodynamics 172 (2018): 196-211.
[3] Huang, Zhiwen, et al. “Automatic Identification of Bridge Vortex-Induced Vibration Using Random Decrement Method.” Applied Sciences 9.10 (2019): 2049.
[4] Montoya, M. Cid, et al. “CFD-based aeroelastic characterization of streamlined bridge deck cross-sections subject to shape modifications using surrogate models.” Journal of Wind Engineering and Industrial Aerodynamics 177 (2018): 405-428.
[5] Guoji X, Ahsan Kareem, and Lian S. " Surrogate Modeling with Sequential Updating: Applications to Bridge Deck-wave and -wind Interactions." Journal of Computing in Civil Engineering.

https://blog.csdn.net/weixin_44815633/article/details/104956545 ↩︎
https://blog.csdn.net/weixin_44815633/article/details/104975026 ↩︎