Сергей Гургенович Саиян — младший научный сотрудник Научно-образовательного центра компьютерного моделирования уникальных зданий, сооружений и комплексов им. А.Б. Золотова (НОЦ КМим. А.Б. Золотова), аспирант кафедры сопротивления материалов
129337, г. Москва, Ярославское шоссе, д. 26
РИНЦ AuthorID: 987238, Scopus: 57195230884
Sergey G. Saiyan — junior researcher at the Scientific and Educational Center for Computer Modeling of Unique Buildings, Structures and Complexes named after A.B. Zolotova, postgraduate student of the Department of Strength of Materials
26 Yaroslavskoe shosse, Moscow, 129337
RISC AuthorID: 987238, Scopus: 57195230884
Вероника Борисовна Шелепина — студентка
129337, г. Москва, Ярославское шоссе, д. 26
Veronika B. Shelepina — student
26 Yaroslavskoe shosse, Moscow, 129337
Введение. Проведены исследования по применению машинного обучения с целью прогнозирования аэродинамических коэффициентов на закручивающиеся формообразующие зданий и сооружений. Для обучения использовались данные аэродинамических продувок на базе численного моделирования в ANSYS CFX. Оценивалось качество прогнозов различных моделей машинного обучения по сравнению с численным моделированием. Сделаны выводы, относящиеся к использованию моделей машинного обучения для определения ветровых нагрузок на здания и сооружения.
Материалы и методы. Для анализа полученных результатов и разработки модели машинного обучения применялись язык программирования Python и библиотеки: Pandas, NumPy, Scikit-learn и Matplotlib. Рассматривались четыре метода машинного обучения: линейная регрессия, решающее дерево, метод k-ближайших соседей, случайный лес. Для формирования обучающих данных использовались аэродинамические продувки на основе методов численного моделирования в ANSYS CFX. Точность различных моделей машинного обучения в прогнозировании аэродинамических коэффициентов оценивалась на основе статистической меры соответствия R-квадрат.
Результаты. Составлена база из 217 численных решений для различных углов закручивания формообразующей здания. Эти результаты включают распределение аэродинамических коэффициентов давления по поверхности здания, а также аэродинамические коэффициенты сил и моментов (Cx, Cy, CMz) в зависимости от высоты. Данные использовались для обучения четырех моделей машинного обучения. Для лучшей модели машинного обучения (случайный лес) проведена верификация модели в сравнении с результатами численного моделирования.
Выводы. Исследованы различные модели машинного обучения для прогнозирования аэродинамических коэффициентов на здания и сооружения. Сделаны выводы о применимости методов машинного обучения в качестве альтернативного подхода к определению ветровых нагрузок.
Introduction. Research was carried out on the application of machine learning to predict aerodynamic coefficients on buildings and structures with twisted form configurations. Data from aerodynamic simulations using numerical modelling in ANSYS CFX was used for training. The quality of predictions made by various machine learning models was evaluated in comparison to numerical simulations. Conclusions related to the use of machine learning models for determining wind loads on buildings and structures are drawn.
Materials and methods. Python programming language and the following libraries, Pandas, NumPy, Scikit-learn, and Matplotlib were used to analyze the obtained results and to develop the machine learning model. The study considered four machine learning methods: linear regression, decision tree, k-nearest neighbours, and random forest. Aerodynamic simulations based on numerical modelling methods in ANSYS CFX were used to generate the training data. The accuracy of different machine learning models in predicting aerodynamic coefficients was evaluated using the statistical measure of R-squared.
Results. As a result of the research, a database of 217 numerical solutions was compiled for various angles of twist of the building’s form. These results include the distribution of aerodynamic pressure coefficients over the building’s surface, as well as aerodynamic force and moment coefficients (Cx, Cy, CMz) as a function of height. The data was used to train four machine learning models. The best-performing machine learning model (random forest) was verified by comparing it to the results of numerical modelling.
Conclusions. Various machine learning models for predicting aerodynamic coefficients on buildings and structures were investigated. Conclusions were drawn regarding the applicability of machine learning methods as an alternative approach to determining wind loads.
The authors declare that there are no conflicts of interest present.