CN116541658B - 一种城市近地千米高度风剖面测量分析方法及装置 - Google Patents
一种城市近地千米高度风剖面测量分析方法及装置 Download PDFInfo
- Publication number
- CN116541658B CN116541658B CN202310496916.XA CN202310496916A CN116541658B CN 116541658 B CN116541658 B CN 116541658B CN 202310496916 A CN202310496916 A CN 202310496916A CN 116541658 B CN116541658 B CN 116541658B
- Authority
- CN
- China
- Prior art keywords
- wind
- profile
- wind speed
- different
- modes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 90
- 238000005259 measurement Methods 0.000 title claims abstract description 59
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000000691 measurement method Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 13
- 238000000034 method Methods 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 13
- 239000013598 vector Substances 0.000 description 13
- 238000012876 topography Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本申请公开了一种城市近地千米高度风剖面测量分析方法及装置,涉及城市建筑技术领域,通过获取近地千米高度范围内的水平风速、水平风向、湍流度和垂直风速,以剖面模式为导向,利用无监督竞争学习神经网络聚类算法,结合有效评估指标,实现自主识别城市不同区域有效来流水平风速、风向、湍流度以及垂直风速剖面模式,采用指数函数形式优化计算模型分析水平风向和湍流度剖面以及采用正态分布分析垂直风速分布。本发明实现简便,自动化程度高,可为城市地区提供近地千米高度范围内更为全面准确的风场参数取值,在一定程度上克服了现有结构抗风设计中风剖面模式单一、取值过于保守的不足。
Description
技术领域
本申请涉及城市建筑技术领域,具体涉及一种城市近地千米高度风剖面测量分析方法及装置。
背景技术
城市建筑的密集化、规模化以及城市环境的生态化使得下垫面的不均匀粗糙程度提高,大气边界层厚度也随之改变;受城市的建筑规模扩张和复杂山体地形的影响,城市内部近地风特性变化更为复杂。城市近地风特性作为评估建筑结构的安全性、舒适性、行人风环境、城市风资源以及区域污染物扩散分布的重要因素,相关学者结合现场实测、数值模拟以及风洞试验等方法对其开展了研究。然而,在利用数值模拟和风洞试验方法进行风特性研究时,城市近地模型的建立以及来流风特性参数的选取不可避免的会与实际存在一定的偏差,从而影响模拟/试验结果的准确性,相关研究往往需要现场实测数据来验证结果的准确性。
受城市建筑规模、建筑建设高度的增加以及复杂山地地形的影响,现行规范所描述的风剖面模式以及梯度风高度的取值可能与实际存在较大误差,对数和指数风速剖面模式只适用于不受热湍流影响的中性大气条件。在结构抗风设计方面,城市内部超高层建筑来流地貌粗糙度的取值目前仍存在争议,工程应用中多为经验给定并偏于保守,这也会对超高层建筑等风敏感结构抗风设计带来不利影响。
城市近地风特性变化复杂,其风场剖面模式变化与周围建筑、周围地形地貌、城市热环境以及大气层结稳定度密切相关。现有技术利用位于深圳市高度为356m的气象塔对台风登陆过程中的风速以及湍流度等相关参数变化情况进行了分析,发现粗糙度高度与来流方向地貌关系密切。
受科里奥利力及复杂地形的影响,风向随高度增加会发生显著变化,风向随高度的偏转将使得结构底部区域与顶部区域明显处于不同的激励作用下,可能导致结构产生复杂的耦合振动。而目前已有研究往往仅考虑风向变化对水平风速剖面模式变化的影响,对于在实际工程应用中有重要意义的水平风向、湍流度和垂直风速剖面模式的分析仍缺乏有效的研究方法。
综上,本领域技术人员亟需对城市近地风特性进行进一步精细化研究,分析城市不均匀下垫面及山地地形等复杂因素对城市近地水平风速、水平风向、湍流度以及垂直风速剖面模式的影响,从而为城市风敏感结构抗风设计来流风特性取值提供参考。
发明内容
为此,本申请提供一种城市近地千米高度风剖面测量分析方法及装置,以解决现有技术存在的对城市近地风特性分析不准确的问题。
为了实现上述目的,本申请提供如下技术方案:
第一方面,一种城市近地千米高度风剖面测量分析方法,包括:
获取近地千米高度范围内的风特性测量数据;所述风特性测量数据包括水平风速、水平风向、湍流度和垂直风速;
将所述风特性测量数据进行预处理;
将预处理后的风特性测量数据通过聚类算法并结合综合评估参数,自主选定不同风场参数剖面模式最优聚类数量,并对其进行分类,得到水平风速、水平风向、湍流度以及垂直风速剖面模式聚类结果;
获取不同水平风速剖面模式的平均值,根据平均风速剖面模型分析不同水平风速剖面模式,得到第一分析结果;
获取不同水平风向剖面模式的平均值,根据指数律风速剖面相似形式的计算模型分析不同水平风向剖面模式,得到第二分析结果;
获取不同湍流度剖面模式的平均值,采用指数函数形式计算模型进行分析,得到第三分析结果;
获取不同垂直风速剖面模式的平均值,采用正态分布进行分析,得到第四分析结果;
根据所述第一分析结果、所述第二分析结果、所述第三分析结果和所述第四分析结果为城市风敏感结构的抗风设计来流风特性取值提供参考数据。
作为优选,所述近地千米高度范围为51~1032m。
作为优选,所述风特性测量数据是通过测风激光雷达测量得到的。
作为优选,所述预处理包括剔除异常数据、将实测地点风场环境归类为极端风场环境和良态风场环境。
作为优选,所述聚类算法为自组织映射神经网络算法。
作为优选,针对山体地形影响下的城市地区良态风场环境,所述自组织映射神经网络算法中水平风速和水平风向剖面模式聚类数量设置为3,湍流度和垂直风速聚类数量设置为1。
作为优选,所述平均风速剖面模型包括对数律、指数律、D-H模型和基于台风风场修正模型。
作为优选,所述指数律风速剖面相似形式的计算模型为:
其中,θ0、为拟合系数,zref为参考高度。
作为优选,所述参考高度zref取51m。
作为优选,所述综合评估参数包括方差比准则和聚类误差平方值;
所述方差比准则为:
所述聚类误差平方值:
其中,xi为不同高度的不同类型风场测量参数值,为相应参数不同高度处的聚类中心值,k为聚类数量,SSB为不同风场参数剖面模式簇间方差,SSW不同风场参数剖面模式簇内方差,N为数据量总数。
第二方面,一种城市近地千米高度风剖面测量分析装置,包括:
测量数据获取模块,用于获取近地千米高度范围内的风特性测量数据;所述风特性测量数据包括水平风速、水平风向、湍流度和垂直风速;
预处理模块,用于将所述风特性测量数据进行预处理;
分类模块,将预处理后的风特性测量数据通过聚类算法并结合综合评估参数,自主选定不同风场参数剖面模式最优聚类数量,并对其进行分类,得到水平风速、水平风向、湍流度以及垂直风速剖面模式聚类结果;
第一分析模块,用于获取不同水平风速剖面模式的平均值,根据平均风速剖面模型分析不同水平风速剖面模式,得到第一分析结果;
第二分析模块,用于获取不同水平风向剖面模式的平均值,根据指数律风速剖面相似形式的计算模型分析不同水平风向剖面模式,得到第二分析结果;
第三分析模块,用于获取不同湍流度剖面模式的平均值,采用指数函数形式计算模型进行分析,得到第三分析结果;
第四分析模块,用于获取不同垂直风速剖面模式的平均值,采用正态分布进行分析,得到第四分析结果;
参考数据分析模块,用于根据所述第一分析结果、所述第二分析结果、所述第三分析结果和所述第四分析结果为城市风敏感结构的抗风设计来流风特性取值提供参考数据。
相比现有技术,本申请至少具有以下有益效果:
本申请提供了一种城市近地千米高度风剖面测量分析方法及装置,通过获取近地千米高度范围内的水平风速、水平风向、湍流度和垂直风速,采用无监督竞争学习神经网络聚类算法,结合有效评估指标,实现自主识别城市复杂地形区域来流水平风速、风向、湍流度以及垂直风速有效剖面模式,采用指数函数形式优化计算模型分析水平风向、湍流度剖面模式变化以及采用正态分布分析垂直风速,分析结果显示良态风场环境下不均匀城市下垫面及山体地形对水平风速和风向剖面模式影响较大,而湍流度及垂直风速剖面模式受来流地貌的影响较小,水平风速和风向剖面均可划分为三种不同的剖面模式,山地地形的影响会导致风剖面指数α值以及风偏角的增加,应当注意不同风场参数有效剖面模式数量会随实测地点、风场环境类型的不同而产生差异。本申请得到的分析结果准确,风场描述全面,能够为城市风敏感结构的抗风设计来流风特性取值提供参考数据。
附图说明
为了更直观地说明现有技术以及本申请,下面给出几个示例性的附图。应当理解,附图中所示的具体形状、构造,通常不应视为实现本申请时的限定条件;例如,本领域技术人员基于本申请揭示的技术构思和示例性的附图,有能力对某些单元(部件)的增/减/归属划分、具体形状、位置关系、连接方式、尺寸比例关系等容易作出常规的调整或进一步的优化。
图1为本申请实施例一提供的一种城市近地千米高度风剖面测量分析方法流程图;
图2为本申请实施例一提供的实测地点及周围地貌示意图;
图3为本申请实施例一提供的可实现自主识别不同风场参数有效剖面模式数目的聚类方法流程图;
图4为本申请实施例一提供的风速剖面模式聚类结果;
图5为本申请实施例一提供的模式1集合平均风速剖面;
图6为本申请实施例一提供的模式2集合平均风速剖面;
图7为本申请实施例一提供的模式3集合平均风速剖面;
图8为本申请实施例一提供的风向剖面模式聚类结果;
图9为本申请实施例一提供的不同风向剖面模式变化情况;
图10为本申请实施例一提供的风速-风向剖面模式联合概率分布;
图11为本申请实施例一提供的湍流度随高度变化情况;
图12为本申请实施例一提供的不同风速区间湍流度剖面模式拟合;
图13为本申请实施例一提供的垂直风速随高度变化情况;
图14为本申请实施例一提供的不同高度垂直风速概率分布。
具体实施方式
以下结合附图,通过具体实施例对本申请作进一步详述。
在本申请的描述中:除非另有说明,“多个”的含义是两个或两个以上。本申请中的术语“第一”、“第二”、“第三”等旨在区别指代的对象,而不具有技术内涵方面的特别意义(例如,不应理解为对重要程度或次序等的强调)。“包括”、“包含”、“具有”等表述方式,同时还意味着“不限于”(某些单元、部件、材料、步骤等)。
本申请中所引用的如“上”、“下”、“左”、“右”、“中间”等的用语,通常是为了便于对照附图直观理解,而并非对实际产品中位置关系的绝对限定。在未脱离本申请揭示的技术构思的情况下,这些相对位置关系的改变,当亦视为本申请表述的范畴。
实施例一
为了更加清楚的介绍本实施例提供的方法,本实施例以深圳市为例,对城市近地风特性进行了进一步精细化研究,分析城市不均匀下垫面及山地地形对近地风速、湍流度以及风向剖面模式的影响。利用高时空分辨率激光雷达,对良态风影响下的深圳市千米高度风特性开展了为期6个月的实测研究。结合自组织映射神经网络(SOM)聚类算法,分析了深圳市千米高度范围内水平风速、风向、湍流度以及垂直风速剖面模式的变化规律,并与相关规范进行了比较,给出了相应的经验公式或经验取值,为城市风敏感结构抗风设计来流风特性取值提供参考。
请参阅图1,本实施例提供了一种城市近地千米高度风剖面测量分析方法,包括:
S1:获取近地千米高度范围内的风特性测量数据;风特性测量数据包括水平风速、水平风向、湍流度和垂直风速;
具体的,风特性测量数据是利用高时空分辨率测风激光雷达测量得到的。测量时,实测地点位于深圳市中北部,测量点10km范围内不仅受深圳市密集的建筑群、植被影响,还受到了阳台山以及塘朗山山地地形的影响;该实测地点风场可以较好的反映出在复杂地形影响下的现代城市近地风场环境,实测地点位置及周围地貌如图2所示。
测风激光雷达型号选用Wind3D 6000,该型号设备测风精度、可靠性现有技术文件已给出,其测量结果准确性可以得到保证。测风激光雷达详细技术参数如表1所示,雷达测量原理参见现有技术。
表1:测风激光雷达技术参数
本实施例开展了为期6个月的现场观测;雷达设置为DBS风廓线观测模式,可以同时对水平风速、水平风向、湍流度以及垂直风速进行测量。
综上,本实施例选取了实测期间30天的强风天气(测量高度范围51~1032m,10分钟平均)数据值(测量参数包括:水平风速、风向、湍流度和垂直风速),对城市不均匀下垫面及山体地形影响下的风剖面模式的变化规律进行分析;需要注意的是,本实施例所指的风剖面不仅包括水平风速剖面,同时还包括水平风向剖面、湍流度剖面以及垂直风速剖面。
S2:将风特性测量数据进行预处理;
具体的,预处理包括剔除异常数据。
除剔除异常测量数据外,还对极端风影响下的风场数据进行了归类处理。实测期间西太平洋共有19个台风生成(台风编号:2203~2221),台风Chaba(2203),Mulan(2207),Ma-on(2209),Nesat(2220)路径均进入了实测地点半径800km范围圈,因此,上述台风可能对实测地点风特性产生较大影响;并结合该地点实测下击暴流特性(最大风速>25m/s,并且其对应高度低于100m),对可能是下击暴流的测量数据也进行了归类处理,将上述风场数据归为极端风场环境;其余测量数据归类为良态风场环境。
经步骤S2处理后,本实施例以良态风场环境为例,可用于风特性分析的样本数据时长约为484.3h;按照10min时距划分,有效子样本数量为2906个。需要说明的是,本实施例中极端风场环境下不同风场参数剖面模式分析与良态风场环境分析方法相同。
S3:将预处理后的风特性测量数据通过聚类算法并结合综合评估参数,自主选定不同风场参数剖面模式最优聚类数量,并对其进行分类,得到水平风速、水平风向、湍流度以及垂直风速剖面模式聚类结果。
本实施例将结合自组织映射聚类算法对城市近地风剖面模式中的水平风速、水平风向、湍流度以及垂直风速剖面模式进行分类。
自组织映射(Self-organizing map,SOM)是一种基于无监督竞争学习的人工神经网络方法。SOM算法能够自组织、自学习将相似的样本就近分配到同一类中,从而实现聚类目的。本实施例中,SOM算法具体操作可分为以下四个主要步骤:
步骤一:网络建立;
SOM神经网络由输入层和输出层(竞争层)两层构成;本实施例中输入层为:不同高度测风激光雷达测量数据Xi,i表示第i输入层向量,向量维数与测风激光雷达测量高度数量相等;输出层由指定数量的神经元组成,其对应权值向量为Wj,j表示第j个神经元,神经元维数与输入向量维数相等。
步骤二:数据归一化及参数初始化;
对神经元权向量进行随机初始化,并按公式(1)将输入向量及神经元初始权向量进行归一化;建立初始优胜邻域hji(0),初始化学习率η(0)。
步骤三:寻找获胜神经元j*;
将每一归一化输入向量与竞争层神经元权向量进行相似性比较,按公式(2)计算两种模式向量之间的欧式距离,距离越小表示两者相似性程度越高。
步骤四:神经元权向量调整。
有别于“赢者通吃”法则,SOM算法基于侧抑制思想不仅对获胜神经元调整权值,其相邻神经元也要不同程度进行权向量调整,如公式(3)所示。学习率η(t)随迭代步数增加逐渐下降;hji(t)为获胜神经元侧向距离邻域函数。
返回步骤三,直至特征映射稳定或达到最大迭代步数M。
输出层神经元数量确定是现有技术的难点问题,神经元节点数量直接决定聚类数量;节点数量太少会合并研究预期关注的模式,节点数量太多则会导致各类之间差异性过小。本实施例利用SOM神经网络并结合综合评估参数,自主确定该测量地点水平风速剖面、水平风向剖面最优聚类数目为3,湍流度剖面、垂直风速剖面最优聚类数目为1;图3给出了本实施例采用的可自主确定不同风场参数剖面模式SOM聚类分析方法具体流程。
S4:获取不同水平风速剖面模式的平均值,根据平均风速剖面模型分析不同水平风速剖面模式,得到第一分析结果。
提取不同风速剖面模式的平均值,如图4所示,发现三种模式具有较好的区分度,并且可以较好的代表聚类样本特征,这也说明本实施例自主选用的聚类数目是合理的。
具体的,对数律、指数律、D-H模型以及基于台风风场修正模型(如Vickery模型、Snaiki and Wu模型)是目前常用于描述大气边界层中平均风速剖面的模型。本实施例将结合上述风速剖面模型对不同模式风速剖面进行分析。
针对风速剖面模式1,由图5可知,该模式下风速随高度的增加呈先增加后减少的趋势,存在明显的“拐点”,风剖面形状呈“反C”形;这一特征与Vickery和Snaiki andWu基于台风风剖面观测提出的经验模型相似。Vickery和Snaiki andWu基于现场实测数据提出了不同的经验模型,如公式(4)~(5)所示:
式中,a,n,H*,η0,δ为模型拟合系数。
参阅图5,根据风速剖面平均风速Umean,将模式1子样本划分三个区间:0~5m/s,5~10m/s,10~15m/s;图5给出了不同风速区间集合平均风速剖面以及使用Vickery模型和Snaiki andWu模型得到的拟合曲线;由图5可知,对于不同风速使用Vickery模型和SnaikiandWu模型可以对风速剖面模式1进行较好的描述。表2给出了具体的拟合参数及优度,Snaiki andWu模型对风速剖面模式1的描述效果更优。
表2:水平风速剖面模式1拟合参数及优度
结合图6可知,水平风速剖面模式2可采用指数律或对数律模型进行描述,公式(6)和公式(7)分别给出了对数律和指数律计算模型,式中U10为10m高度处水平风速,α为风剖面指数(地面粗糙度指数)。将水平风速剖面模式2子样本划分四个区间:0~5m/s,5~10m/s,10~15m/s,>15m/s;图6给出了不同风速区间集合平均风速剖面以及指数律或对数律模型的拟合曲线
表3给出了不同风速区间风速剖面模式2具体的拟合参数及优度。由表3可得,不同风速区间拟合拟合优度R2均大于0.98,这说明使用对数律和指数律模型可以对风速剖面模式2进行准确描述。
表3:水平风速剖面模式2拟合参数及优度
对于水平风速剖面模式3,图7给出了不同风速区间的集合平均风速剖面变化情况。由图7可知,与前两个模式不同,模式3存在明显的梯度风高度,高度约为800m;梯度风高度以下风剖面随高度呈现线性变化规律。因此,对于模式3,本实施例分别利用线性模型和指数律模型对梯度风高度以下范围进行拟合。线性模型如公式(8)所示,斜率β为拟合系数。具体拟合参数及拟合优度情况见表4,可以发现使用线性模型可以较好的对水平风速剖面模式3进行描述。
U(z)=βz+u* (8)
表4:水平风速剖面模式3拟合参数及优度
进一步,可对不同风速剖面模式风速风向分布统计情况进行分析,依据不同风速剖面模式风速风向分布统计数据可进一步分析地形、城市建筑、植被以及大气层结稳定度等因素对风速剖面模式的影响,这也将提高城市结构抗风设计以及城市风环境评估精度。
S5:获取不同水平风向剖面模式的平均值,根据指数律风速剖面相似形式的计算模型分析不同水平风向剖面模式,得到第二分析结果;
本实施例中三种不同水平风向剖面模式所占比例分别为19.4%、57.9%、22.7%。由图8可知,水平风向剖面会发生顺时针偏转以及逆时针偏转,最大偏转角接近100°。本实施例采用指数律风速剖面相似形式的优化后的计算模型,如公式(9)所示,其中,θ0、为拟合系数,zref为参考高度,zref=51m。
不同水平风向剖面模式变化情况如图9所示,图9中误差条大小表示风向变化的标准差;图9同时也给出了不同模式风向剖面模式描述模型的拟合结果;如表5所示,不同模式拟合优度R2均大于0.99,这说明本实施例改进后的风向剖面计算模型可以较好的反映不同风向剖面模式平均值随高度变化情况。另一方面,结合实际工程应用,利用不同风向剖面模式结果可进一步指导工程应用时风偏角的取值,其值可以适当增大,增大系数Ф可取1.6,如图9所示。
表5:不同水平风向剖面模式拟合参数及优度
结合上述分析,可知本实施例应用的水平风向剖面模式识别方法可以较好的在城市复杂区域提取出有效的水平风向剖面模式。
结合步骤S4和S5,可进一步对水平风速-水平风向剖面模式联合概率分布进行分析,如图10所示。本实施例中水平风速剖面模式2-水平风向剖面模式2所占比重最大,为36.79%;而其他风速-风向剖面模式联合概率均低于11%。该统计数据将会为城市复杂地形区域结构抗风设计提供准确可靠的参数取值依据,以克服现有结构抗风设计中风速剖面-风向剖面模式取值单一、过于保守的不足。
S6:获取不同湍流度剖面模式的平均值,采用指数函数形式计算模型进行分析,得到第三分析结果;
本实施例中,湍流度随高度变化规律较为一致,其剖面模式数目为1,变化规律为:随高度的增加逐渐减小,如图11所示;进一步,对不同风速区间(Umean:0~5m/s,5~10m/s,10~15m/s,>15m/s)样本集合平均湍流度剖面进行分析,可得在近地千米高度范围内湍流度剖面值随平均风速的增加整体上有减少的趋势。根据中国GB50009-2012规范相关规定,实测地点地貌可划分为B类地貌。为进一步对比相关规范建议值与实测结果的差异,本步骤选取了GB50009-2012、ASCE7-2010以及AIJ-2004三种不同规范(B类或Ⅱ类)建议值(如公式(10)所示,I10=0.14,b1=0.15,b2=0.20,b3=0.20,HG=350m)与实测结果进行对比。由图11可知,对于Umean>15m/s湍流度剖面,使用GB50009-2012规范建议值会低估z<500m范围内的湍流度,而当z>500m时规范建议值则要大于实测结果。因此,可以看出本实施例中实测地点湍流度剖面形式及取值与现行规范相关取值存在较大差异。
对于湍流度剖面可按公式(11)计算模型进行统一表示,b,c为拟合系数。对不同风速区间湍流度剖面进行拟合,如图12所示,使用公式(11)可以对千米高度湍流度剖面进行较好的拟合,拟合优度R2>0.86。拟合系数c随风速增加而增大,最大值达到0.5177。
Iu(z)=b(z/10)-c (11)
S7:获取不同垂直风速剖面模式的平均值,采用正态分布进行分析,得到第四分析结果;
本实施例中垂直风速剖面模式数目为1,图13给出了垂直风速随高度变化情况,风速向上为正。不同高度垂直风速主要变化范围在-1~1m/s,其平均值基本一致(V<0.2m/s)。结合上述测量数据,可知不均匀城市下垫面及山体地形对该实测地点千米高度范围内垂直风速剖面影响并不明显。不同高度垂直风速维持在较低风速(-1~1m/s)范围内,这也说明实测地点并未受到东侧山地地形涡旋尾流的影响。
为进一步分析垂直风速概率分布特征,图14展示了6个不同高度(z=51m,259m,454m,649m,831m,1000m)垂直风速概率分布情况;可以发现使用正态分布可以较好的对不同高度垂直风速概率分布进行描述。从不同高度垂直风速概率拟合结果可知(如图14所示,Norm(期望,标准差),显著性水平为0.05),正态分布期望值变化范围为0.09~0.17,标准差变化范围为0.15~0.29,在进行垂直风速剖面模式模拟时可以使用上述拟合参数进行正态分布建模计算。
S8:根据第一分析结果、第二分析结果、第三分析结果和第四分析结果为城市风敏感结构的抗风设计来流风特性取值提供参考数据。
具体的,根据第一分析结果、第二分析结果、第三分析结果和第四分析结果可为实际工程应用提供反映更加全面、精确的城市近地风场剖面模式及其对应参数取值,为城市风敏感结构的抗风设计来流风特性取值提供参考数据。
实施例二
本实施例提供了一种城市近地千米高度风剖面测量分析装置,包括:
测量数据获取模块,用于获取近地千米高度范围内的风特性测量数据;所述风特性测量数据包括水平风速、水平风向、湍流度和垂直风速;
预处理模块,用于将所述风特性测量数据进行预处理;
分类模块,将预处理后的风特性测量数据通过聚类算法并结合综合评估参数,自主选定不同风场参数剖面模式最优聚类数量,并对其进行分类,得到水平风速、水平风向、湍流度以及垂直风速剖面模式聚类结果;
第一分析模块,用于获取不同水平风速剖面模式的平均值,根据平均风速剖面模型分析不同水平风速剖面模式,得到第一分析结果;
第二分析模块,用于获取不同水平风向剖面模式的平均值,根据指数律风速剖面相似形式的计算模型分析不同水平风向剖面模式,得到第二分析结果;
第三分析模块,用于获取不同湍流度剖面模式的平均值,采用指数函数形式计算模型进行分析,得到第三分析结果;
第四分析模块,用于获取不同垂直风速剖面模式的平均值,采用正态分布进行分析,得到第四分析结果;
参考数据分析模块,用于根据所述第一分析结果、所述第二分析结果、所述第三分析结果和所述第四分析结果为城市风敏感结构的抗风设计来流风特性取值提供参考数据。
关于一种城市近地千米高度风剖面测量分析装置的具体限定可以参见上文中对于一种城市近地千米高度风剖面测量分析方法的限定,在此不再赘述。
以上实施例的各技术特征可以进行任意的组合(只要这些技术特征的组合不存在矛盾),为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述;这些未明确写出的实施例,也都应当认为是本说明书记载的范围。
上文中通过一般性说明及具体实施例对本申请作了较为具体和详细的描述。应当理解,基于本申请的技术构思,还可以对这些具体实施例作出若干常规的调整或进一步的创新;但只要未脱离本申请的技术构思,这些常规的调整或进一步的创新得到的技术方案也同样落入本申请的权利要求保护范围。
Claims (11)
1.一种城市近地千米高度风剖面测量分析方法,其特征在于,包括:
获取近地千米高度范围内的风特性测量数据;所述风特性测量数据包括水平风速、水平风向、湍流度和垂直风速;
将所述风特性测量数据进行预处理;
将预处理后的风特性测量数据通过聚类算法并结合综合评估参数,自主选定不同风场参数剖面模式最优聚类数量,并对其进行分类,得到水平风速、水平风向、湍流度以及垂直风速剖面模式聚类结果;
获取不同水平风速剖面模式的平均值,根据平均风速剖面模型分析不同水平风速剖面模式,得到第一分析结果;
获取不同水平风向剖面模式的平均值,根据指数律风速剖面相似形式的计算模型分析不同水平风向剖面模式,得到第二分析结果;
获取不同湍流度剖面模式的平均值,采用指数函数形式计算模型进行分析,得到第三分析结果;
获取不同垂直风速剖面模式的平均值,采用正态分布进行分析,得到第四分析结果;
根据所述第一分析结果、所述第二分析结果、所述第三分析结果和所述第四分析结果为城市风敏感结构的抗风设计来流风特性取值提供参考数据。
2.根据权利要求1所述的城市近地千米高度风剖面测量分析方法,其特征在于,所述近地千米高度范围为51~1032m。
3.根据权利要求1所述的城市近地千米高度风剖面测量分析方法,其特征在于,所述风特性测量数据是通过测风激光雷达测量得到的。
4.根据权利要求1所述的城市近地千米高度风剖面测量分析方法,其特征在于,所述预处理包括剔除异常数据、将实测地点风场环境归类为极端风场环境和良态风场环境。
5.根据权利要求1所述的城市近地千米高度风剖面测量分析方法,其特征在于,所述聚类算法为自组织映射神经网络算法。
6.根据权利要求5所述的城市近地千米高度风剖面测量分析方法,其特征在于,针对山体地形影响下的城市地区良态风场环境,所述自组织映射神经网络算法中水平风速和水平风向剖面模式聚类数量设置为3,湍流度和垂直风速聚类数量设置为1。
7.根据权利要求1所述的城市近地千米高度风剖面测量分析方法,其特征在于,所述平均风速剖面模型包括对数律、指数律、D-H模型和基于台风风场修正模型。
8.根据权利要求1所述的城市近地千米高度风剖面测量分析方法,其特征在于,所述指数律风速剖面相似形式的计算模型为:
其中,θ0、为拟合系数,zref为参考高度。
9.根据权利要求8所述的城市近地千米高度风剖面测量分析方法,其特征在于,所述参考高度zref取51m。
10.根据权利要求1所述的城市近地千米高度风剖面测量分析方法,其特征在于,所述综合评估参数包括方差比准则和聚类误差平方值;
所述方差比准则为:
所述聚类误差平方值为:
其中,xi为不同高度的不同类型风场测量参数值,为相应参数不同高度处的聚类中心值,k为聚类数量,SSB为不同风场参数剖面模式簇间方差,SSW不同风场参数剖面模式簇内方差,N为数据量总数。
11.一种城市近地千米高度风剖面测量分析装置,其特征在于,包括:
测量数据获取模块,用于获取近地千米高度范围内的风特性测量数据;所述风特性测量数据包括水平风速、水平风向、湍流度和垂直风速;
预处理模块,用于将所述风特性测量数据进行预处理;
分类模块,将预处理后的风特性测量数据通过聚类算法并结合综合评估参数,自主选定不同风场参数剖面模式最优聚类数量,并对其进行分类,得到水平风速、水平风向、湍流度以及垂直风速剖面模式聚类结果;
第一分析模块,用于获取不同水平风速剖面模式的平均值,根据平均风速剖面模型分析不同水平风速剖面模式,得到第一分析结果;
第二分析模块,用于获取不同水平风向剖面模式的平均值,根据指数律风速剖面相似形式的计算模型分析不同水平风向剖面模式,得到第二分析结果;
第三分析模块,用于获取不同湍流度剖面模式的平均值,采用指数函数形式计算模型进行分析,得到第三分析结果;
第四分析模块,用于获取不同垂直风速剖面模式的平均值,采用正态分布进行分析,得到第四分析结果;
参考数据分析模块,用于根据所述第一分析结果、所述第二分析结果、所述第三分析结果和所述第四分析结果为城市风敏感结构的抗风设计来流风特性取值提供参考数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310496916.XA CN116541658B (zh) | 2023-05-05 | 2023-05-05 | 一种城市近地千米高度风剖面测量分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310496916.XA CN116541658B (zh) | 2023-05-05 | 2023-05-05 | 一种城市近地千米高度风剖面测量分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116541658A CN116541658A (zh) | 2023-08-04 |
CN116541658B true CN116541658B (zh) | 2024-01-12 |
Family
ID=87444695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310496916.XA Active CN116541658B (zh) | 2023-05-05 | 2023-05-05 | 一种城市近地千米高度风剖面测量分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116541658B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250632B (zh) * | 2023-08-18 | 2024-03-08 | 华南理工大学 | 城市地貌粗糙度类别和风场特性获取方法、系统、设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357571A (zh) * | 2021-12-14 | 2022-04-15 | 华南理工大学 | 建成建筑环境下大气边界层风场特性的反演方法和系统 |
CN115859416A (zh) * | 2022-06-23 | 2023-03-28 | 福州大学 | 一种基于建筑风荷载极值等效的平均风速剖面预测方法 |
-
2023
- 2023-05-05 CN CN202310496916.XA patent/CN116541658B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357571A (zh) * | 2021-12-14 | 2022-04-15 | 华南理工大学 | 建成建筑环境下大气边界层风场特性的反演方法和系统 |
CN115859416A (zh) * | 2022-06-23 | 2023-03-28 | 福州大学 | 一种基于建筑风荷载极值等效的平均风速剖面预测方法 |
Non-Patent Citations (1)
Title |
---|
近海岸强风风场特性现场实测研究;胡尚瑜;聂功恒;李秋胜;张敏;;空气动力学学报(第02期);242-250 * |
Also Published As
Publication number | Publication date |
---|---|
CN116541658A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Observed diurnal cycle climatology of planetary boundary layer height | |
CN102628944B (zh) | 一种基于多普勒雷达资料的层云与对流云自动识别方法 | |
CN111414991B (zh) | 一种基于多元回归的气象锋面自动识别方法 | |
CN112711899B (zh) | 一种蒸发波导高度的融合预测方法 | |
CN116541658B (zh) | 一种城市近地千米高度风剖面测量分析方法及装置 | |
CN107330898B (zh) | 植被垂直带定量刻划计算方法和系统 | |
CN106845018B (zh) | 风电场对气象雷达降雨量影响的分析与定量化评估方法 | |
Bergström et al. | Wind power in forests: wind and effects on loads | |
CN106407627A (zh) | 一种风速概率分布建模的方法和系统 | |
Elkinton et al. | An investigation of wind-shear models and experimental data trends for different terrains | |
Rodrigo et al. | Iea-task 31 wakebench: Towards a protocol for wind farm flow model evaluation. part 1: Flow-over-terrain models | |
Kumer et al. | Characterisation of single wind turbine wakes with static and scanning WINTWEX-W LiDAR data | |
CN114692521A (zh) | 一种风电场测风塔的优化布局方法 | |
CN113269825B (zh) | 基于地基激光雷达技术林木胸径值提取的方法 | |
CN108872964A (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
CN108896021A (zh) | 基于航空摄影测量点云提取人工林林分结构参数的方法 | |
Diaz et al. | Offshore vertical wind shear: Final report on NORSEWInD’s work task 3.1 | |
CN109636019B (zh) | 基于神经网络算法的测风塔布置方案确定方法 | |
CN104700457B (zh) | 降雨情形下风矢量反演的象元筛选、滤波方法和系统 | |
Konow | Tall wind profiles in heteorogeneous terrain | |
Li et al. | Observed sub-hectometer-scale low level jets in surface-layer velocity profiles of landfalling typhoons | |
CN117172149A (zh) | 一种基于数据特征分类和神经网络模型的蒸发波导预测方法 | |
Klaas-Witt et al. | The five main influencing factors for lidar errors in complex terrain | |
CN108534982B (zh) | 一种用于山区风场模拟的过渡曲线的确定方法 | |
CN105302980B (zh) | 一种基于sar数据的城区空气动力学粗糙度反演方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |