原创：马泽宇等 空气动力学报
张泽宇1, 周旭曦1, 许楠1, 王浩炜1, 杨子鉴1, 庄简1, 黎善武1, 2, 3, 赖马树金1, 2, 3，*, 陈文礼1, 2, 3, 李惠1, 2, 3
1.哈尔滨工业大学 土木工程学院，哈尔滨 150090
2.哈尔滨工业大学 结构工程灾变与控制教育部重点实验室机构，哈尔滨 150090
3.哈尔滨工业大学 土木工程智能防灾减灾工业与信息化部重点实验室，哈尔滨 150090
引用本文：张泽宇, 周旭曦, 许楠, 等. 大型结构风效应流固耦合机器学习研究进展[J]. 空气动力学学报, 2025, 43(5): 53−77.
DOI: 10.7638/kqdlxxb-2025.0061
研究背景
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。本综述系统概括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等主要研究方向。总体而言，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。
1. 结构风压重构和预测机器学习方法
当风绕流大型结构时，结构表面风压场具有复杂的时空非线性特征，传统插值法难以有效捕捉非测点区域的风压分布。机器学习凭其强大的非线性学习能力逐渐成为解决这一问题的重要手段。早期相关研究以浅层神经网络为主，聚焦于测点数据与基础输入参数的关系预测。随后研究手段逐渐向深度神经网络与物理先验融合发展，包括引入本征正交分解、雷诺应力等物理特征，以提升模型的预测精度与物理可解释性。近年，以生成对抗网络为代表的生成式等先进深度学习方法显著提高了复杂干扰场景下结构表面风压的预测能力，且极限学习机、半监督回归等方法实现了稀疏数据环境下的模型性能优化。此外，深度网络与动态模态分解结合的方法，进一步实现了风压与尾流速度场的高精度相互预测。未来研究的核心挑战在于多源异质数据融合及模型泛化能力提升，以实现机器学习在风致灾害防控领域的深度应用。
2. 结构风致振动机器学习预测建模
结构风致振动是土木工程领域备受关注的问题，是结构抗风防灾的关键科学问题。各种结构风致振动现象的诱发机理和振动特性不同。对结构复杂风致振动进行机理与建模研究，对于理论完善与工程实际都具有重大意义。本综述重点介绍机器学习方法在颤振、涡激振动和抖振这 3 类最为常见的风致振动行为中的应用。
2.1 颤振机器学习预测建模
颤振作为大跨度桥梁风致振动中危险极高的现象，严重时可致使桥梁结构坍塌或损坏，对桥梁安全构成重大威胁。Scanlan 颤振理论等传统理论基于线性假设构建，在描述复杂实桥风致振动现象时存在局限性。机器学习凭借高维非线性逼近能力，为该领域研究提供了新的技术手段。在颤振导数识别与临界风速预测研究中，深度神经网络虽具备处理非线性问题的能力，但在小样本数据集上易出现过拟合现象。采用较为简单的神经网络结构，或应用支持向量机等传统机器学习模型，可获得更为稳健的预测结果。概率模型的应用，则为解决小样本问题提供了创新性思路。在非线性气动力和响应建模领域，全连接神经网络、循环神经网络及其变体 LSTM 得到广泛应用，能够有效提取数据特征。同时，基于物理知识与数据联合驱动的方法成为研究关键，通过将动力学方程约束嵌入模型，显著提升了模型的可解释性与预测精度，为小样本条件下的建模难题提供了有效解决方案。未来，颤振建模研究可聚焦于物理与数据的深度融合、模型泛化性能提升、不确定性量化等前沿方向，持续突破技术瓶颈，从而为大跨度桥梁的抗风设计与安全评估提供坚实的理论支撑。
2.2 结构涡激振动机器学习建模研究
本文综述大型结构涡激振动（VIV）机器学习建模研究进展，涵盖振动识别与流固耦合响应建模两大方向：在现场涡振识别上，从早期基于能量时域频域特征结合密度聚类、K-means聚类等实现VIV自动识别，到引入半监督学习、深度学习模型(如 CNN、Bi-LSTM)处理数据稀缺与跨域问题，再到通过生成对抗网络合成数据、领域自适应方法迁移特征，有效提升了识别精度。但目前的现场涡振识别仍存在信号混杂、数据非平稳性及模型泛化性不足等难点，未来需在自监督学习、在线增量学习等方向突破；在VIV流固耦合建模方面，决策树模型、SVM、贝叶斯推断及人工神经网络等被用于捕捉VIV非线性抽象特征，物理信息神经网络（PINN）的引入实现了数据-物理双驱动建模，提升了复杂流场适应性。然而，模型泛化能力受物理问题复杂性限制，未来将向智能驱动、跨尺度融合方向发展，以解决非线性动力学解耦等挑战。
2.3 结构强风抖振响应机器学习计算
大跨度柔性结构在强风作用下易产生复杂的非线性抖振响应，传统的线性随机振动理论在精度与计算效率上均存在不足。近年来，机器学习方法因具备强大的非线性映射能力和高效融合结构动力学、气动力特性等先验知识的优势，在抖振预测领域获得广泛关注。研究者使用随机森林、LSTM及其改进网络，如Conv LSTM、注意力机制LSTM等，实现了风场-结构响应的高精度预测，并显著提升了计算效率与泛化性能。此外，支持向量机、高斯过程回归等模型通过替代有限元分析与概率建模，大幅提高了抖振响应预测与不确定性量化的效率。同时，还引入了动态模态分解和状态空间循环神经网络，使抖振预测从静态指标预测向动态时域建模转变。研究还探索了机器学习与风致振动控制的结合，如深度强化学习驱动的自适应TMD控制系统，提升了结构的抗风性能。然而，目前机器学习方法仍存在物理机制嵌入不足、数据缺失及小样本问题。未来需强化机器学习与物理机制的深度融合，进一步发展迁移学习、多任务学习，以提升模型泛化性与物理解释能力。
3.结构风致振动流固耦合非线性方程机器学习识别
控制方程是描述物理世界演化规律的基础符号表达，经典的识别方法通常依赖于专家先验知识假设方程结构，存在方程形式假设过于刚性、方程项项表达受限、噪声敏感性强等问题。基于机器学习的方程识别方法通过数据驱动框架实现对方程全形式（项与系数）的自动探索，广泛采用稀疏回归、遗传编程、符号网络、符号推理及强化学习等技术，从本质上解决了经典方法的弊端。稀疏回归，可高效挖掘稀疏真实项；遗传编程通过进化策略优化方程结构；符号网络与符号推理则实现了端到端的方程识别与求解。当前，这些方法逐步应用于结构风致振动领域非线性气动方程的识别，如通过SINDy及其改进算法实现了气动自激方程的自动稀疏识别，有效描述了复杂的气动非线性现象。然而，机器学习驱动的控制方程识别技术在结构风致振动和流固耦合领域尚处于初级阶段，进一步结合数据与物理驱动的深入融合研究，具有广阔的前景与深远意义。
4. 机器学习在结构振动控制中的应用
结构振动控制是风工程中的核心问题，经典被动控制在复杂工况下适应性有限，而经典主动控制方法虽具备动态调节能力，但受限于高维状态空间与流动非线性，且开环控制难以实现高效精准调控。强化学习，特别是深度强化学习，因具备通过与环境交互自主学习最优控制策略的能力，成为风致振动主动控制的重要突破方向。当前，PPO、SAC、DDPG 等主流算法已广泛应用于大型结构风效应中的流量控制、涡激振动、颤振以及抖振控制中，如通过喷流、小翼控制等方式显著降低结构阻力和响应幅值。同时，结合高斯过程、迁移学习和模型代理等技术，有效缓解了小样本与高维决策空间挑战。部分研究还实现了 RL 与 CFD 前端交融，构建了可在线学习和鲁棒适应的闭环控制系统。未来研究应聚焦于提升算法收敛效率、增强对稀疏观测数据的泛化能力，并发展具有物理可解释性与工程可部署性的混合智能控制策略，推动强化学习在实际风致振动控制中的广泛应用。
5. 总结与展望
本文系统综述了机器学习在大型结构风效应研究中的最新进展，围绕结构表面风压预测、风致振动响应建模、气动力方程识别与振动控制四个方向进行了深入分析，并提出未来发展路径可从以下三方面展开：
1）问题导向与算法匹配：风工程各子领域的问题属性决定了所选机器学习算法的侧重点，如风压重构偏重于回归建模，风致振动控制则需强化时序建模与策略优化。因此，研究中需以工程需求为核心，选择适配的算法架构，提高问题求解的针对性与效率。
2）关键技术瓶颈与发展方向：当前机器学习在结构风工程中的应用仍面临数据共享机制缺失、模型物理一致性不足以及泛化能力有限等核心挑战。未来应重点推进多源异构数据的融合与标准化平台建设，提升数据可获取性与模型适用性；同时，应该深入发展融合物理先验的深度学习方法，引入贝叶斯神经网络等不确定性量化机制，以增强模型在复杂风场下的可靠性与解释性；在异常振动建模方面，需构建多尺度流固耦合建模框架，兼顾非线性特征捕捉与模型轻量化部署；此外，针对强化学习在振动控制中的小样本困境，应结合迁移学习与多任务策略优化技术，提升模型在稀疏观测场景下的收敛速度与跨场景泛化能力。
3）通用大模型的应用潜力与挑战：大语言模型等通用AI技术为风工程提供了新的研究前景，但仍面临数据接口设计复杂、模型可解释性差与跨场景泛化能力不足等问题。需探索领域适配的微调机制、引入符号回归增强物理解释性、以及构建多模态数据融合框架以提高大模型的实用性和鲁棒性。
综上，结构风工程正逐步向智能化建模与控制演化，跨学科融合与算法创新将成为推动该领域发展的核心动力。