期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
大型结构风效应流固耦合机器学习研究进展
1
作者 张泽宇 周旭曦 +7 位作者 许楠 王浩炜 杨子鉴 庄简 黎善武 赖马树金 陈文礼 李惠 《空气动力学学报》 北大核心 2025年第5期53-77,共25页
随着计算技术与数据科学的迅速发展,机器学习为解决大型结构风效应中复杂流固耦合问题提供了全新的研究范式。本文系统综述了机器学习在大型结构风效应领域的研究进展,涵盖了结构表面风压预测、结构风致响应分析与建模、气动力方程智能... 随着计算技术与数据科学的迅速发展,机器学习为解决大型结构风效应中复杂流固耦合问题提供了全新的研究范式。本文系统综述了机器学习在大型结构风效应领域的研究进展,涵盖了结构表面风压预测、结构风致响应分析与建模、气动力方程智能识别以及基于强化学习的结构振动控制4个主要研究方向。具体而言,结构表面风压预测方面,机器学习能够精准地挖掘结构表面复杂非线性风压场特征;结构风致响应分析与建模中,机器学习有效实现了大型结构异常大幅振动识别与精细化建模;对于气动力方程智能识别领域,基于数据驱动的机器学习方法大幅提高了非线性方程识别的自动化程度与准确性;在结构振动控制方面,强化学习实现了实时、高效的主动控制策略优化。然而,当前研究在数据融合、模型泛化性与物理可解释性方面仍存在明显不足。未来的研究需进一步融合物理机制与数据驱动模型,构建具备高泛化性、鲁棒性和物理解释能力的机器学习模型,推动结构风工程进一步智能化发展。 展开更多
关键词 机器学习 风工程 大型结构 风效应 流固耦合 振动控制
在线阅读 下载PDF
水立方风场特性及屋盖表面风压特性研究 被引量:5
2
作者 周峰 陈文礼 +1 位作者 赖马树金 李惠 《土木工程学报》 EI CSCD 北大核心 2010年第S2期230-234,共5页
基于国家游泳中心(简称"水立方")健康监测系统的风速和风压数据,研究水立方风场特性和屋盖风压分布特性。研究结果表明,水立方2月份主要为偏北风,风速的脉动性极强,屋盖表面的平均风压值都为负值,且分布较为平缓,并未在迎风... 基于国家游泳中心(简称"水立方")健康监测系统的风速和风压数据,研究水立方风场特性和屋盖风压分布特性。研究结果表明,水立方2月份主要为偏北风,风速的脉动性极强,屋盖表面的平均风压值都为负值,且分布较为平缓,并未在迎风边缘达到最大风压,背风区风压值也没有明显减小。通过布置的30个风压传感器所监测的风压信号的空间相关性分析结果表明,各测点风压不相关。 展开更多
关键词 水立方 健康监测 风场特性 风压分布
在线阅读 下载PDF
土木工程专业桥梁风工程课程教学设计与实践 被引量:2
3
作者 陈文礼 高东来 +1 位作者 杨文瀚 赖马树金 《高等建筑教育》 2023年第2期110-116,共7页
教育强则国家强,人才兴则民族兴。以立德树人为教育的根本任务,将课程思政融入新时代研究生课程中具有重要指导意义。课程思政是在传授理论知识的基础上进行思想教育,利用马克思主义理论观点,促进大学生树立坚定的理想信念和正确的世界... 教育强则国家强,人才兴则民族兴。以立德树人为教育的根本任务,将课程思政融入新时代研究生课程中具有重要指导意义。课程思政是在传授理论知识的基础上进行思想教育,利用马克思主义理论观点,促进大学生树立坚定的理想信念和正确的世界观、人生观、价值观。哈尔滨工业大学土木工程专业桥梁风工程课程教学设计与实践围绕“课程思政整体教学框架”“线上+线下混合式、授课+研讨相结合的教学方法探索”“理论与实践、科学性与特色性相结合的教学实践案例”三个方面开展研究与建设工作,以学生的思想政治培养为首要目标,结合专业基础知识教育将思政教育具体化、生动化,可为其他研究生课程思政建设提供参考。实践证明:桥梁风工程课程思政的融入,培养了学生发现问题、分析问题和解决问题的能力;以史为鉴,激发了对重大工程设计的社会责任感,增强了理想信念和德育思维能力;践行了“规格严格、功夫到家”的哈工大校训;启迪了学生对突破现有桥梁抗风理论的历史责任感与发展现代桥梁技术的紧迫感,结合“交通强国”“建造强国”国家战略,激发了学生爱国主义和投身国民经济主战场的热情。 展开更多
关键词 桥梁风工程 课程思政 课程建设 教学设计
在线阅读 下载PDF
物理增强的流场深度学习建模与模拟方法 被引量:16
4
作者 晓威 赖马树金 李惠 《力学学报》 EI CAS CSCD 北大核心 2021年第10期2616-2629,共14页
流体运动理论上可用Navier-Stokes方程描述,但由于对流项带来的非线性,仅在少数情况可求得方程解析解.对于复杂工程流动问题,数值模拟难以高效精准计算高雷诺数流场,实验或现场测量难以获得流场丰富细节.近年来,人工智能技术快速发展,... 流体运动理论上可用Navier-Stokes方程描述,但由于对流项带来的非线性,仅在少数情况可求得方程解析解.对于复杂工程流动问题,数值模拟难以高效精准计算高雷诺数流场,实验或现场测量难以获得流场丰富细节.近年来,人工智能技术快速发展,深度学习等数据驱动技术可利用灵活网络结构,借助高效优化算法,获得对高维、非线性问题的强大逼近能力,为研究流体力学计算方法带来新机遇.有别于传统图像识别、自然语言处理等典型人工智能任务,深度学习模型预测的流场需满足流体物理规律,如Navier-Stokes方程、典型能谱等.近期,物理增强的流场深度学习建模与模拟方法快速发展,正逐渐成为流体力学全新研究范式:根据流体物理规律选取网络输入特征或设计网络架构的方法称为物理启发的深度学习方法,直接将流体物理规律显式融入网络损失函数或网络架构的方法称为物理融合的深度学习方法.研究内容涵盖流体力学降阶模型、流动控制方程求解领域. 展开更多
关键词 物理增强的深度学习 降阶模型 方程求解 湍流
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部