结合台风全路径模拟的宁波地区台风极值风速估计

运用台风全路径模拟技术和极值理论统计方法对宁波地区台风极值风速进行精确估计.首先,基于CMA-STI热带气旋最佳路径数据集并采用Vickery经验回归模型进行了西北太平洋海域台风全路径模拟,生成了600年台风路径及强度数据,采用Yan Meng风场模型确定了影响宁波地区的台风风速序列.然后,使用weibull分布函数描述了台风各风向下的极值风速边缘分布,并利用t-Copula函数构造各风向极值风速的联合分布模型,得到了台风考虑风向相关性的多风向极值风速估计值.最后,与台风不考虑风向相关性的极值风速以及规范设计风速对比,结果表明,宁波地区台风极值风速估计应考虑风向相关性,不考虑风向相关性的极值风速及规范设计风速都给出了偏风险的极值风速估计值.     

考虑气候变化影响的台风设计风速研究

采用了一种统计确定性模型结合4种不同的全球气候预测模型考察了气候变化对台风设计风速的影响,该方法以给定的气候环境条件为驱动采用统计模型生成大量的数值台风,因而可以模拟历史和未来预测气候条件下台风的发生情况。以杭州地区为例阐述了气候变化影响下设计台风风速从20世纪末到21世纪中叶的演化情况。研究结果显示:基于历史重分析气象条件模拟到的不同重现期台风设计风速与历史观测数据的分析结果吻合较好,表明该统计模型具有可靠性。大部分的气候模型预测显示杭州地区21世纪中叶的设计台风风速将可能超过20世纪末,且100年重现期下的设计台风风速随时间呈现增长趋势。因此在抗风设计中有必要考虑气候变化对设计风速所造成的影响。     

我国东南沿海城市和近海海域的台风极值风速预测

台风灾害严重影响我国东南沿海地区,通过开展台风数值模拟和极值风速预测,可精细化评估我国东南沿海城市和近海海域的台风危险性。采用基于随机森林模型的全路径台风模拟方法,对西北太平洋台风开展数值模拟,利用历史台风观测数据验证了该方法的可靠性与适用性。结合三维空间参数化台风风场模型,估算9个我国东南沿海城市不同重现期下的台风极值风速,发现广义极值分布(Ⅲ型)能更好地描述台风极值风速统计特征。将各城市的台风设计风速估算结果与GB 50009—2012《建筑结构荷载规范》中的推荐值及已有研究进行了比较,验证了台风模拟结果的可靠性,并发现低纬度城市的台风设计风速尚未超过规范中的推荐值,而高纬度城市的台风设计风速则略高于规范中的推荐值。基于台风全路径模拟和极值风速估算结果完成了我国东南沿海地区台风设计风速的区划图绘制,直观地反映了我国台湾岛及台湾东部海域的台风危险性最大,浙江东部、福建南部至广东一带以及海南岛南部等地区也面临较大的台风风险。     

我国东南沿海台风极值风速预测与区划图构建

中国沿海是全球受台风灾害最严重的区域之一,获取台风极值风速对指导沿海土木工程结构抗风设计、防灾减灾和风险评估至关重要,中国现有抗风设计体系未单独设定台风极值风荷载。文章提出基于地理加权回归的台风模拟方法,主要包括台风路径、强度和风场参数递推模型,基于日本气象局1951～2015年历史台风最佳路径数据,开了西北太平洋地区台风局部路径和全路径随机模拟,结合台风边界层三维风场模型,预测不同工程场地的极值风速,率先完整创建我国沿海区域台风极值风速区划图并讨论台风风灾空间分布特点;面向不同建筑结构设计需求,形成台风风灾曲线和极值风速剖面数据库,为沿海建筑结构抗台风设计提供极值风荷载输入条件,推进我国结构抗风理论体系从传统良态风向台风的跨越。     

华南沿海地区台风风场数值模拟与危险性分析

利用台风关键参数的概率分布模型,建立了台风年极值风速概率分布模型,对华南沿海地区不同重现期内的台风极值风速做出推断,为该地区建筑设计及城市防灾减灾提供了风荷载信息,以确保建筑结构在台风侵袭下的安全性。     

基于AR模型台风风场模拟

由于获得实测的台风风速曲线记录比较困难,因此在现有的数学模型基础上开展台风风场的数值模拟研究显得十分必要。文章根据拟合得到的"石沅"台风谱,采用AR模型生成具有时间相关性和空间相关性的脉动风速,从而获得台风空间相关性风场。模拟风速的自相关函数和功率谱密度函数与目标自相关函数和目标功率谱均吻合较好,证明了AR模型具有较高的精度,同时也验证了所取参数的正确性。     

基于多场参数相关台风工程模型的上海地区台风设计风环境研究

结合台风在我国沿海登陆过程风场参数实测数据拟合模型,拟合参数包括台风几何尺度场(最大风速半径Rmax)和气压分布场(径向气压系数β)等,提出了适用于我国东南沿海区域的考虑多个场参数之间相关性的台风风场改进数值模型。以上海市崇明岛侯家镇气象站1971—2015年间57次台风全过程连续实测记录为参考依据,通过对比台风最大风速的模拟与实测结果,优化了气象站场地地表粗糙高度z0=0.095 m,并结合台风路径历史观测资料和场参数之间概率相关性的实测拟合关系,利用台风工程模型再现了气象站四次典型较强台风风速发展过程,最大风速的相对误差在12%以内,证明了模型应用于台风最大风速预测的可靠性。采用Monte-Carlo台风随机模拟方法和抽样越界峰值法,计算了台风气候模式侯家镇和以上海为代表中心区域典型工程场地的设计基本风速和平均风剖面,获得侯家镇和上海B类场地(z0=0.05 m)百年一遇10 m高度10 min平均风速分别为31.51 m/s和37.46 m/s,标准差为2.05 m/s和2.66 m/s,同时比较了三种不同风剖面拟合模型,给出了四类典型地貌下台风气候风剖面拟合关系。     

基于强台风“黑格比”的台风工程模型场参数在中国南部沿海适用性研究

针对台风风场解析模型中两个关键参数,即最大风速半径Rmax和径向气压分布系数β,进行了既有多种实测统计函数关系的比较。以强台风"黑格比"(Hagupit 0814)为例,结合其路径观测信息和逐时中心气压数据,对比了台风发展、加强、消散过程中不同计算方法获得的风场参数取值变化特征,总结了不同观测地域拟合的风场参数统计关系所反映的台风风场特征差异性。选取两处台风"黑格比"中心对穿观测站点的实测数据,结合基于实测风场参数优化的台风风场解析模型,采用多种Rmax和β实测组合关系,再现了台风黑格比风速过程随时间演变规律,并与实测结果进行综合比对,推荐了适用于我国南部沿海台风风场数值模拟的Rmax和β组合关系。     

台风“浣熊”近地风特性研究

本文基于浦东国际机场附近的同济大学实测基地获取了台风"浣熊"影响下的近地风速,研究了"浣熊"台风影响下格构式塔架结构的近地脉动风速随平均风速的变化规律,同时得出在"浣熊"台风作用下,脉动风速概率密度函数与高斯分布曲线吻合较好。     

台风激发水下噪声场的建模及其在台风风速反演中的应用

基于简正波理论,结合风成海面噪声传播模型和风成噪声源级模型,推导出台风激发水下噪声场强度的计算公式,建立水下噪声强度与海表面风速的函数关系,并给出模型中相关参数的求解方法。应用这一关系,由台风经过时的水下噪声实测数据,反演得到对应时刻的海表面风速值,并将反演结果与气象台给出的台风风速预报值进行对比。     

基于小波分析与支持向量机的地铁隧道沉降预测

根据地铁隧道监测点沉降变化中非线性、不确定、时变性的特点,建立了基于小波分析的支持向量机预测模型。首先运用小波分析将监测点沉降序列分解为低频近似分量和高频细节分量,然后对各分量分别进行支持向量机预测,最后将各分量预测结果进行小波重构得到监测点的沉降预测曲线。预测结果表明,在相同样本数和短周期预测条件下,Wavelet—SVM模型的预测精度优于BP神经网络方法。对地铁沉降监测提前进行预警预报有一定的参考价值。     

基于小生境等维BP神经网络的沉降预报

针对传统BP神经网络全局优化能力低、无法学习的缺陷,引入遗传算法中的小生境技术,研究了基于小生境等维BP神经网络模型,同时利用MATLAB进行编程实现。该模型的核心思想是借助小生境遗传算法优化神经网络的连接权和阈值,进而提高了等维BP神经网络模型的全局优化能力,改善了模型的收敛性。结合宁波某大楼沉降监测实例,利用小生境等维BP神经网络、GM(1,1)模型、等维BP神经网络模型分别对沉降数据建模预测,结果表明,小生境等维BP神经网络模型更加符合实际情况、预测效果更佳。     

基于BP神经网络改进算法在地铁隧道施工中的沉降预测

为使地铁隧道在施工中沉降监测数据具有一定的预见性,分别采用了BP神经网络改进算法的预测模型、传统BP神经网络预模型以及基于时间序列的三次指数平滑法预测模型对地铁隧道施工中的沉降监测数据进行了预测。对其预测结果进行分析,得出了BP神经网络改进算法模型预测精度优于传统BP神经网络模型以及基于时间序列的三次指数平滑法模型预测精度的结论。     

小波神经网络预测混凝土强度研究

小波神经网络是将小波理论和神经网络理论结合起来的一种神经网络 ,它避免了BP神经网络结构设计的盲目性和局部最优等非线性优化问题 ,大大简化了训练 ,具有较强的函数学习能力和推广能力及广阔的应用前景。小波神经网络用于混凝土强度预测的结果表明 ,它比传统的BP神经网络的收敛速度快 ,预测精度高     

On modelling of typhoon‐induced non‐stationary wind speed for tall buildings

Typhoon‐induced wind around tall buildings may not be stationary because it is a large body of rotating air. A new approach is thus proposed in this paper for characterizing typhoon‐induced wind speed. Typhoon‐induced non‐stationary wind speed is modelled as a deterministic time‐varying mean wind speed component plus a zero mean stationary fluctuating wind speed component. The time‐varying mean wind speed is naturally extracted from the measured wind speed time history using empirical mode decomposition (EMD). Wind characteristics described in the traditional approach based on a stationary wind model are redefined and extended in the non‐stationary wind model. The new approach is then applied to wind data measured at the Di Wang building during Typhoon York. The results show that most of recorded wind samples are non‐stationary but they can be decomposed into a time‐varying mean wind speed component plus a well‐behaved zero mean fluctuating wind speed component admitted as a stationary random process with Gaussian distribution. Other wind characteristics such as probability distribution of fluctuating wind speed, turbulence intensity, gust factor, and wind spectrum obtained by the new approach seem to be more realistic than those gained by the traditional approach. Copyright © 2004 John Wiley & Sons, Ltd.     

基于SOM映射网络的人群流量预测在节能照明中的应用

通常比较常见的照明控制都是事先设定好的时间控制模式,不可调节且也不能满足精细化控制以及智能化的要求。运用SOM自组织映射网络将人流量历史数据进行特征提取并分类,再将各类数据结果运用BP神经元网络方法进行预测,并将预测结果结合照度需求,不同等级人群流量给予不同等级的照度输出,最后在节能方面也与传统照明方式做了对比。实验结果表明,SOM-BP神经元算法预测下的短期人流量预测数据比BP算法精度更高,结合照明调节后在节能方面具有更好的效果,为照明系统提供了新的节能方案。     

基于小波神经网络的边坡预报模型研究

边坡变形具有复杂性、随机性、不确定性、地域性、时效性等的特性,对边坡进行精确的预报一直是一个难题。针对此问题,本文建立了基于小波分析的神经网络预报模型来对边坡变形进行研究,结果表明小波神经网络预测模型具有更灵活有效的函数逼近能力,预报的精度高,并通过实例验证了小波神经网络预测模型的高精度性。     

基于小波神经网络冰蓄冷空调负荷预测

为了节省冰蓄冷中央空调系统的运行费用,准确地预测空调冷负荷是必不可少的。采用db1小波对冰蓄冷空调冷负荷序列进行分解,分别对低频和高频序列采用BP网络进行预测,将预测结果进行叠加得到最终预测值。结合实例进行了空调逐时冷负荷预测,通过小波-BP网络与BP网络预测结果的对比,可知小波-BP网络预测的效果更好。     

标准BP神经网络算法和附加动量法在沉降监测中的应用研究

在沉降监测工程实践中,由于采用的预测方法和项目沉降趋势的不同,预测结果的精度会有差异。而随着应用的不断深入,对现有算法进行改进以发挥算法的优势,成为目前预测算法研究的主流。在本文的研究中,编程实现了标准BP神经网络算法和附加动量法。通过研究学习率对标准BP神经网络算法的影响,确定学习率的大小。然后,研究了动量项对附加动量法收敛速度的影响,确定了动量项的取值。最后,对两种算法的稳定性和算法的效率以及预测精度等方面进行比较,探究两种算法的特点。     

优化神经网络在多传感器火灾探测中的应用

针对BP神经网络在拟合过程中探测精度低、容易陷入局部最优的问题,提出一种基于遗传算法（GA）和模拟退火算法（SA）共同改进的BP神经网络模型,该网络模型可以有效提高火灾识别准确率,同时避免网络过拟合现象,使预测结果跳出局部最优从而达到全局最优。首先,通过GA改进隐藏层结构部分,然后通过SA改进连接权重部分,最后利用优化后的GA-SA-BP模型对火灾实验数据进行信息融合实现火灾探测。实验研究表明,对比单一BP神经网络,经GA和SA改进后的BP神经网络能够有效改善网络拟合能力,并提升火灾探测精度至98.91%。