WindMiL：用于风荷载预测的等价性图神经网络
机器学习
2025-11-04 v1
摘要
精确预测建筑物的风荷载对于结构安全和可持续设计至关重要，但传统方法如风洞测试和大涡旋模拟（LES）在大规模探索方面成本 prohibitive。每个LES案例通常需要至少24小时的计算时间，使得进行综合参数研究几乎不可能。我们提出WindMiL，一种新的机器学习框架，将系统化数据集生成与对称性感知图神经网络（GNN）相结合。首先，我们通过对屋顶几何形状应用signed distance function插值，构建包含462个不同形状和风向的LES案例的低层建筑风荷载大规模数据集。其次，我们开发一种反射等价性GNN，保证在镜像几何形状下进行物理一致的预测。在插值和外推评估中，WindMiL能够实现对表面压力系数（如mean Cp的RMSE ≤ 0.02）的高精度，同时在反射测试中保持准确性，其中非等价性基线模型的命中率会下降超过10%。通过将系统化数据集与等价性替代模型相结合，WindMiL实现了对建筑物风荷载的高效、可扩展且精确的预测。
引用
@article{arxiv.2511.01226,
title = {WindMiL: Equivariant Graph Learning for Wind Loading Prediction},
author = {Themistoklis Vargiemezis and Charilaos Kanatsoulis and Catherine Gorlé},
journal= {arXiv preprint arXiv:2511.01226},
year = {2025}
}