A hybrid machine learning framework for wind pressure prediction on buildings with constrained sensor networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate and efficient prediction of wind pressure distributions on high-rise building façades is crucial for mitigating structural risks in urban environments. Conventional approaches rely on extensive sensor networks, often hindered by cost, accessibility, and architectural limitations. This study proposes a novel hybrid machine learning (ML) framework that reconstructs high-fidelity wind pressure (HFWP) coefficient fields from a limited number of sensors by leveraging dynamic spatiotemporal feature extraction and mapping. The methodology consists of four key stages: (1) low-fidelity pressure field reconstruction from limited sensor data using constrained QR decomposition, (2) dimensionality reduction of both low-fidelity wind pressure and HFWP reconstructions to extract dominant spatiotemporal features, (3) dynamic mapping of the reduced-order representations using a long short-term memory network, and (4) prediction of the high-fidelity pressure field reconstruction over time. The proposed approach, which predicts the time history of high-fidelity pressure coefficients for various wind directions, is validated using wind tunnel data, with case studies on multiple façades—including the windward, right-side, and leeward surfaces—under various constrained sensor placement scenarios. The proposed methodology is also evaluated against alternative ML models, demonstrating superior accuracy in reconstructing the full pressure field. The results highlight the robustness and generalization capability of the model across different wind directions and sensor configurations, making it a practical solution for real-time wind pressure estimation in structural health monitoring and digital twin applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle