随着经济的飞速发展,超高层建筑趋向于长细化和复杂化,现代大跨空间结构的跨度也越来越大。风荷载逐渐发展成为影响建筑物安全、舒适以及经济性能的重要因素,因此取得超高层建筑和大跨屋盖结构表面的风压分布特征,对于结构抗风设计、幕墙设计、风致动力响应、风场特性分析等具有现实意义。现阶段,依靠风洞试验或现场实测等方法都难以获取结构完整的风压分布特性。本文利用机器学习方法建立了四种网络预测模型,分别是遗传算法与BP(Error Back Propagation)神经网络结合形成的GA-BP网络模型,广义回归神经网络(General Regressive Neural Network,GRNN)模型,粒子群算法与BP神经网络结合生成的PSO-BP网络模型,径向基神经网络(Radial Basis Function,RBF)模型。本文使用现场实测和风洞试验采集到的风压数据来训练网络模型,并利用训练好的网络模型对未知测点的风压分布情况进行预测,主要包括以下内容:关于风压分布预测模型的建立,本文采取模型优化重组的方法。相对于传统人工神经网络方法的最速下降算法,本文中使用的拟牛顿法和LM(Levenberg-Marquardt)学习算法具有计算效率和收敛速度更快的优势。使用群体优化算法对BP神经网络模型的初始权值和阈值等参数进行优化选择,体现了模型优化重组的思想。这种方法建立的风荷载预测模型解决了网络初始权重敏感以及传统算法容易陷入局部最优解的问题,有效地提升了网络结构的稳定性以及网络模型的预测性能。关于风压分布预测模型性能的验证。本文使用在超高层建筑现场实测中采集到的风荷载数据训练GA-BP和GRNN网络模型,再利用训练好的网络模型对建筑物迎风面、侧风面以及背风面区域未知测点的风压时程和脉动风压时程进行预测。将网络模型的预测结果与现场实测数据在数值、功率谱、非高斯性和相关性等方面进行比较来验证网络模型的预测性能和适用性。本文还使用在大跨屋盖模型风洞试验中采集到的风压数据训练PSO-BP和RBF网络模型,并利用训练好的网络模型对大跨屋盖角部和中部区域未知测点的风压分布特性进行预测。通过比较网络模型预测值与风洞试验数据之间的误差来验证网络模型的预测性能和适用性。