Optimal sensor placement for reconstructing wind pressure field around buildings using compressed sensing

要約

大規模で複雑な、空間的に拡張された構造にセンサーを最適に配置する方法を決定することは、後続の分析と設計のために表面圧力場を正確に捕捉するために重要です。
場合によっては、デジタルツインの開発などの下流タスクで欠落データの再構築が必要になることがあります。
この論文では、高層建築物上の風圧の空力特性を最小限に再構築するための最も多くの情報コンテンツを提供することを目的とした、データ駆動型のまばらなセンサー選択アルゴリズムを紹介します。
このアルゴリズムは、まず一連の基底関数をトレーニング データに適合させ、次に、この調整された基底に対する状態の再構築に基づいて、既存の圧力センサーを重要度の順にランク付けする計算効率の高い QR アルゴリズムを適用します。
この研究の結果は、提案されたアルゴリズムがまばらな測定位置から高層ビルの空力特性を首尾よく再構築し、さまざまな条件にわたって安定した最適なソリューションを生成することを示しています。
結果として、この研究は、現在風力工学で使用されている従来の遺伝的アルゴリズムを補うために、データ駆動型および機械学習アルゴリズムの成功を活用するための有望な第一歩として役立ちます。

要約(オリジナル)

Deciding how to optimally deploy sensors in a large, complex, and spatially extended structure is critical to ensure that the surface pressure field is accurately captured for subsequent analysis and design. In some cases, reconstruction of missing data is required in downstream tasks such as the development of digital twins. This paper presents a data-driven sparse sensor selection algorithm, aiming to provide the most information contents for reconstructing aerodynamic characteristics of wind pressures over tall building structures parsimoniously. The algorithm first fits a set of basis functions to the training data, then applies a computationally efficient QR algorithm that ranks existing pressure sensors in order of importance based on the state reconstruction to this tailored basis. The findings of this study show that the proposed algorithm successfully reconstructs the aerodynamic characteristics of tall buildings from sparse measurement locations, generating stable and optimal solutions across a range of conditions. As a result, this study serves as a promising first step toward leveraging the success of data-driven and machine learning algorithms to supplement traditional genetic algorithms currently used in wind engineering.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google