基于改进的神经网络的大跨度屋盖风压场预测

利用风洞实验测定大跨度屋盖的风压时,由于通常只能通过布置有限测点而获得有限的风压数据,因此采用准确高效的方法预测更多未知点的风压特性具有重要意义。本文在径向基函数神经网络的基础上,结合遗传算法和方差分析对大跨度屋盖的风压场进行了预测。引入整体度量估计作为遗传算法中适应度函数的估计,采用方差分析分解RBF的输出总方差,用求得的均方误差对RBF神经网络模型的权方差进行估计。将本文方法预测得到的大跨度屋盖的风压系数、升力系数等与实验结果和传统RBF方法预测结果进行了对比,并进行了误差统计分析。结果表明:本文方法预测的风压系数与试验结果符合良好,且均方误差小于RBF方法,平均相差约67.21%;在达到同样的收敛精度时,采用本文方法计算所需的时间要比传统RBF模型节省约40%。结合遗传算法和方差分析的RBF神经网络模型是预测大跨度屋盖风压场的有效工具。