可解释XGB建筑风振评估模型

用可解释机器学习替代传统风洞数据拟合，在复杂城市风场下快速给出可靠的高层建筑风致响应预测，并说明每个因素的贡献。

Kun, Wang · Liu, Jinlong · 全涌 · Zekun, Ma · Chen, Jialu · Yuanyuan, Bai · Jinlong, Liu

Journal of Building Engineering 2024

参数信息

决定系数

0.99

归一化均方根误差

0.45 %

数据库样本数

61440

技术优势

精度足够高

XGBoost模型在训练集和测试集上的R²均超过0.99，预测值与风洞试验结果高度吻合。

能精简输入

利用SHAP识别影响微弱的变量并将其移除后，模型性能变化小于0.45%，可在几乎不损失精度的情况下减少所需输入。

解释性清晰

SHAP分析量化了风向角、折减风速、阻尼比等因素对风致响应的贡献，设计人员能理解模型预测依据，而非面对黑箱。

覆盖工况广

数据库包含61440个样本，涵盖不同风场、干扰建筑位置、干扰建筑尺寸和主建筑动力特性，模型在广泛工况下训练，具有通用性。

应用场景

• 高层建筑抗风设计：快速预测不同干扰工况下的风荷载，辅助方案比选。
• 结构风工程：用机器学习替代繁琐的风洞数据拟合，加速风工程分析。
• 结构健康监测：结合实测风场预测结构响应，辅助健康监测预警。
• 城市风环境评估：评估密集建筑群间的干扰效应，指导城市通风规划。