NatHaz Modeling Laboratory,University of Notre Dame,Notre Dame,IN 46556,USA

1.引言

世界范圍的城市化導致人口向人口密集的城市中心轉移。這也是高層建筑蓬勃發(fā)展的原因之一，而高層建筑在惡劣天氣下會受到不同程度的影響。尤其是高層建筑物由于體型細長，屬于風敏感結構，更容易受到風的影響。在高層建筑的設計中，建筑工程師面臨著尋找最高效、最經(jīng)濟的設計方案的挑戰(zhàn)，同時他們還要確保建筑安全性、設計功能的可用性以及整個設計生命周期中使用者的適居性。為了滿足上述需求，人們通過采用氣動找形，安裝輔助阻尼裝置或選擇具有帶式桁架、支腿桁架或巨型柱[1]的有效建筑系統(tǒng)，在減輕高層建筑的風致運動方面取得了重大研究進展。在所有這些方法中，通過修改建筑物的外型以減弱主導風荷載強度的氣動外形修正的方法前景最為廣闊，這種方法在臺北101[2]和哈利法塔[3]等建筑物的實際設計中已經(jīng)得到體現(xiàn)。

當前氣動外形修正通過對有限的候選建筑形式進行風洞測試來評估其空氣動力學性能，然后選擇性能最佳的幾何輪廓供設計使用。隨著計算領域的進步，就建筑設計而言，計算設計已成為一種強大的設計范例。常規(guī)設計實踐依賴于昂貴且通常耗時的風洞實驗，與之相比，開發(fā)用于氣動外形修正的計算平臺有望提供經(jīng)濟且美觀的設計，同時也能深入探究氣動設計空間。在過去的幾年中，關于高層建筑外形優(yōu)化已經(jīng)進行了一些基礎研究[4-6]，其中融合了機器學習技術的計算流體動力學（computational fluid dynamics,CFD），能夠在建筑初始設計階段捕捉到幾何修改帶來的氣動性能提高。

城市布局很復雜，除了單獨建筑物上作用的荷載外，建筑物通常還會受到城市空氣動力學效應影響，其表現(xiàn)為受到周圍的高層建筑群風環(huán)境干擾產(chǎn)生的不利荷載影響。例如，當颶風艾克在2008年經(jīng)過休斯頓市中心時，兩個相鄰建筑物之間由于干擾效應意外形成了局部渦流，損毀了大量建筑外層材料和玻璃[7]。這是城市空氣動力學作用的結果，由于風向和建筑物布局在某些特殊組合下增大了風荷載，從而造成了這些不利影響。而在建筑物的設計中無法預料到這些特殊工況。就這點而言，僅在初步設計階段考慮上述靜態(tài)氣動外形修正可能不足以面對不可預測的極端風環(huán)境挑戰(zhàn)。類比于可操控的飛機變形翼，下一代高層建筑可以采用根據(jù)其周圍流體環(huán)境而變化的結構形狀。為了建設未來更具適應力的城市[8]，需要高層建筑能夠積極響應變化的環(huán)境條件。賦予建筑人工智能是人們建設未來智慧城市夢寐以求的目標。

智能建筑可以結合傳感、傳動和信號處理幾個要素從而順利地改變建筑形式[9]。受到鳥類生物力學的啟發(fā)，即它們可以通過在飛行中改變其外形來提高在變化環(huán)境中的空中飛行能力，未來的高層建筑可以改變其設計外形以符合復雜且不斷變化的城市風環(huán)境的要求。涉及智能結構系統(tǒng)的早期創(chuàng)新工程實踐可以追溯到萊特兄弟（Wright Brothers）進行的變形機翼設計。后來，該技術已被成功應用于自適應空間或海洋建筑的設計，其在使用壽命期限內(nèi)可切換功能，同時移動機器人設計也采用該技術，以實現(xiàn)對其機械結構的變形控制。諸如此類，不勝枚舉[10]。材料科學、電氣系統(tǒng)和計算機科學學科的快速發(fā)展正在推動智能土木建筑的前沿設計。作為應用示例，阿布扎比的Al-Bahr塔采用了動態(tài)幕墻遮陽系統(tǒng)，該系統(tǒng)能夠根據(jù)太陽的移動自主做出反應（圖1）[11]。

對于能夠主動響應動態(tài)載荷如風荷載的智能建筑而言，阻礙其設計的一個主要挑戰(zhàn)是變形系統(tǒng)附件必須在不影響抗載荷系統(tǒng)穩(wěn)定性的情況下穩(wěn)健運行。動態(tài)立面設計的復雜性要求人們對建筑和維護成本進行更多的考慮，這將給自動變形結構的設計帶來挑戰(zhàn)。通過最小化風荷載效應，變形系統(tǒng)有望降低與建筑系統(tǒng)和建筑物圍護結構有關的成本。此外，動態(tài)立面帶來的美學吸引力將使這些建筑成為現(xiàn)代城市的標志，并在多風天氣環(huán)境下吸引游客的注意。此外，在傳感分析、人工智能（artificial intelligence,AI）和控制理論方面，將建筑的實時信息傳達給實時控制系統(tǒng)，從而有效地響應不斷變化的外部環(huán)境仍存在技術挑戰(zhàn)。盡管土木建筑的自主變形還處于起步階段，但我們目前的試點研究可以為實現(xiàn)這一概念鋪平道路。在這項研究中，我們提出了一種基于信息物理的傳感控制和傳動系統(tǒng)，用于建筑物外墻的自主變形。

圖1.Al-Bahr塔的動態(tài)遮陽系統(tǒng)。來自參考文獻[11]并獲得Creative Commons Attribution License CC BY 4.0,2015許可。

本文的內(nèi)容如下：在第2節(jié)中，我們將首先回顧利用CFD和機器學習技術進行的靜態(tài)氣動外形修正方法；第3節(jié)介紹了設計可變形結構的嵌入傳感和傳動系統(tǒng)以及控制算法的技術問題；在第2節(jié)所介紹的氣動外形修正的靜態(tài)計算機輔助設計的基礎上，第4節(jié)引入了用于自主變形建筑的信息物理設計平臺；第5節(jié)是結語。

2.氣動外形修正

高層建筑和大跨度橋梁會與其所處風場形成復雜的相互作用，其中建筑的外部形狀對確定最終風荷載強度起著重要作用。根據(jù)文獻，氣動外形修正包括建筑物的橫截面角部處理、橫截面沿高度變化、扭轉等修正建筑外形的措施，在減小風荷載強度方面前景廣闊[1,12-14]。例如，臺北101大樓在其最終設計階段考慮了包括雙凹角在內(nèi)的一系列截面拐角的修改，與使用初始的方形截面設計相比，雙凹角設計使風致基底彎矩降低了25%[15]。

盡管當前的設計實踐，即通過風洞測試從有限的建筑物外形中進行選擇，是提供可行外形設計的有效方法，但其所需的成本和時間仍然很高，這主要是由于使用風洞測試的程序昂貴且費時。此外，在這種方法中，由于風洞實驗僅測試了有限的建筑外形，因此仍有很大的外形設計空間未進行探索。這導致傳統(tǒng)的外形比新穎的更受青睞[5]。如今，隨著數(shù)字革命的迅速發(fā)展和計算設計的普遍興起，人們可以設計新的方法穿行于建筑外形設計空間的迷宮，否則，設計空間將只能受限于風洞實驗來探索有限的方案。該計算設計平臺能夠在概念設計階段全面評估幾何修改的有益影響。它充分結合CFD、隨機學、機器學習等多種方法，可以準確評估建筑上的風荷載，并以可量化的置信度指導外形修正。以下小節(jié)概述了最新的氣動外形修正方法。

2.1.外形優(yōu)化公式

以建筑物橫截面的氣動外形修正為例說明利用計算輔助設計的建筑外形優(yōu)化方案。圖2和圖3分別概述了問題和原理圖。設計目標是尋找最優(yōu)的空氣動力學橫截面構造。優(yōu)化考慮的基礎幾何形狀是帶有圓角的正方形橫截面[4,5]。由于明確了4個對稱軸，因此可以通過任意兩條對稱線之間的形狀完整描述橫截面形狀。兩條對稱線之間由兩個獨立控制點來定義橫截面的幾何形狀。據(jù)此，將形狀優(yōu)化問題中的設計變量定義為這兩個控制點的坐標q=[Δy1*,Δy2*]。約束條件通常用于與建筑學考慮有關的幾何要求，包括對稱性、最大絕對位移等。在這項研究中，約束函數(shù)被定義為兩個控制點的最大允許位移。

大多數(shù)建筑物對風呈現(xiàn)出鈍體繞流現(xiàn)象，這會形成較大的流動分離區(qū)域，并在下游伴隨著不穩(wěn)定的尾流區(qū)域，從而產(chǎn)生橫風向風振。氣動目標函數(shù)定義為平均阻力系數(shù)μCd和橫風向的升力系數(shù)的標準偏差σCl。優(yōu)化目標是最小化這兩個空氣動力學函數(shù)G(q)，優(yōu)化結果為帕累托最優(yōu)解或帕累托前沿[16]。

為了深入探索氣動設計空間，可以通過應用嚴格的優(yōu)化算法，如遺傳算法來解決優(yōu)化問題[17]。然而，由于CFD模擬計算量大，且需要在每個優(yōu)化周期對空氣動力學目標進行評估，因此優(yōu)化過程需要大量的計算機資源，這極大降低了計算機輔助形狀設計的可行性。為了解決這個問題，我們引入了代理模型技術作為一種計算成本低廉的模擬器，來模擬計算成本較高的CFD模擬器的響應。

圖2.氣動外形優(yōu)化問題闡述。

圖3.計算機輔助氣動外形優(yōu)化示意圖。DoE（design of experiment）：實驗設計。

2.2.基于代理模型的優(yōu)化——多保真建模

在涉及計算量大的復雜工程設計問題中，代理模型是一種很有前景的應用工具，它可以為原始問題提供計算上的可取近似。應用代理模型的第一步是實驗設計（design of experiment,DoE），實驗設計為代理模型的校準生成采樣點。常用的代理模型方法包括混沌多項式展開（polynomial chaos expansion,PCE）、高斯過程回歸和支持向量回歸（support vector regression,SVR）[18]。在這項研究中，通過運行有限的CFD模擬，模擬數(shù)據(jù)分別用于建立兩個空氣動力學目標的代理模型，并在優(yōu)化過程中用于評估空氣動力學目標值。

CFD模型可能包含具有不同計算需求的多保真數(shù)據(jù)源。對于高雷諾數(shù)下的鈍體周圍風的CFD模擬，可以采用低保真模擬，如雷諾平均方程（Reynolds-averaged Navier-Stokes,RANS），也可以采用高保真模擬，如大渦模擬（large eddy simulation,LES）[19]。當前，RANS是CFD的主力，而隨著更多可用的計算資源，LES也越來越具有吸引力[6]。然而，RANS模型可能會導致顯著的建模誤差，因為在雷諾平均方法中，湍流的不穩(wěn)定性被平均化[19]。因此，有必要融合來自多組CFD數(shù)據(jù)的信息源，以提高代理模型的預測精度，同時保持計算效率?，F(xiàn)代統(tǒng)計學習技術如多保真代理模型是多保真CFD模擬[20]進行模型校準的強大工具，如圖3所示。

在優(yōu)化階段，我們使用多保真代理模型來提供設計空間中空氣動力學目標的計算估值。優(yōu)化算法尋找具有最佳空氣動力學性能的幾何構型，以指導建筑設計。最優(yōu)解被標注在帕累托前沿，圖3中標記藍色圓圈的一個選定優(yōu)化解展示了具有倒角的橫截面。由于此項研究提出的數(shù)字設計工具是通過使用建筑物的截面模型概念測試開發(fā)的，因此它可被進一步擴展到3D高層建筑物，包括各種隨著高度而變化的建筑形式，或者在設計目標中引入更精細的指標（如風譜或峰值）。盡管大多數(shù)具有對稱結構形狀和結構系統(tǒng)的細長高層建筑的扭轉方向響應都不是重點考慮的關鍵因素，但考慮到扭轉載荷對于不規(guī)則及復雜的建筑外形來說可能至關重要，它也將會納入我們的數(shù)字設計框架中。

3.具有動態(tài)立面的建筑

由于建筑周圍風環(huán)境是實時變化的，上述章節(jié)介紹的在建筑物概念設計和初步設計階段使用的氣動外形優(yōu)化策略可能并非在所有情況下都是最優(yōu)的。為了超越這種靜態(tài)形狀優(yōu)化，本研究提出了自主動態(tài)變形。配備傳感器和新型傳動裝置的高層建筑可以模仿鳥類在飛行過程中做出的變化，調整其外形，以提高在復雜風環(huán)境下的空氣動力學性能。要實現(xiàn)這些功能，就需要智能系統(tǒng)對建筑物圍護結構的控制。這些智能系統(tǒng)的設計涉及材料科學、計算機科學和機械電子工程的跨學科背景。下面將描述這種智能系統(tǒng)的背景。

3.1.變形系統(tǒng)

變形系統(tǒng)就像建筑物的肌肉一樣能使其在特定的控制規(guī)律下，將輪廓定位到所需的配置中。智能驅動系統(tǒng)可以分為兩類：創(chuàng)新型結構材料和響應性機械系統(tǒng)。

智能結構材料可以提供仿生建筑表面，其具有感知環(huán)境刺激并根據(jù)預設功能而變形。因此，這些材料必須嵌入可編程特性，以允許通過諸如聲音、電磁或熱學材料等基礎物理屬性來控制形狀的變化[21]。智能材料可以由形狀記憶合金（shape memory alloy,SMA）制成，SMA會因其彈性特征而隨著溫度變化發(fā)生變形，壓電材料可以在施加電壓時重新調整形狀，或者磁性材料可以在磁場中發(fā)生形狀變化[22]。在將這些材料應用于各種工程學科方面已經(jīng)進行了大量的研究。例如，為了使飛機機翼變形，壓電或SMA可以將電流轉換為機械響應，以增強整個飛行條件下的空氣動力學性能[23]。圖4顯示了一個完全變形的機翼，該機翼是通過將SMA黏合在機翼表面作為傳動器而形成的[24]。在周圍溫度升高時，嵌入分布式形狀記憶聚合物傳動器的自主太陽能電池板陣列可以實現(xiàn)微膨脹[25]。采用熱雙金屬材料制作的建筑表面能夠自遮陽，從而保持室內(nèi)熱舒適性[26]。建筑設計中自組裝可編程材料的三維（3D）打印甚至四維（4D）打印的進步已經(jīng)讓這些智能材料的制造發(fā)生了革命性的變化[27]。

事實上，通過觀察動物的功能表面或植物的動態(tài)機制，人們受到啟發(fā)，使用智能材料進行了許多有效的設計[28]。例如，鯊魚的皮膚在水中游動時具有減阻能力，因為它的真皮細齒或形狀像小肋骨的皮膚牙齒與水流在同一條直線時可帶來減阻優(yōu)勢[29]。受鯊魚皮啟發(fā)的肋狀表面的應用包括競技類泳裝、船體和飛機設計。如圖5（a）所示的云杉球果可以作為從植物仿生的一個例子，因為它們可以響應濕度變化[28]。與這一概念類似，圖5（b）中自塑建筑Urbach Tower的設計利用木材的水分變化，通過收縮力產(chǎn)生曲率[30]。如圖6（a）所示，韓國主題館引入了立面系統(tǒng)，可以演變成許多動畫圖案[31]。建立這種動態(tài)立面的靈感來自于植物世界中的移動機制，其滿足了建筑師對美學的追求并控制了光線的進入。

在響應式機械系統(tǒng)中，根據(jù)運動學可以進一步區(qū)分為兩大類：可變形結構（即能夠整體變形的分布式無鉸結構）和剛性鉸接結構（即其中剛性元素通過鉸鏈連接產(chǎn)生相對運動[32]）?？勺冃谓Y構可以是柔性結構、張拉整體結構和氣動結構。柔性結構避免使用鉸鏈且沒有齒隙，從而產(chǎn)生了平滑的形狀變化，減少了應力集中[32]。由于柔性結構在其撓曲（如其彈性特性）下會發(fā)生變形，與剛性鏈接結構相比，這種類型的結構允許相對較小的變形。張拉整體結構是由受拉或受壓的構件組成，以達到荷載平衡。這些裝有傳動器的結構可以通過調整其桿件的自應力（增大或減小應力）來改變其形狀，如圖6（b）所示[33]。因此，為了響應外部加載條件的變化，新的幾何構型可以通過尋找形狀的方法來識別，從而有效地重定向負載傳輸[34]。氣動結構可以通過改變氣壓來調整其形狀，不同氣壓條件可以形成多種形狀。它們重量較輕，但變形精度相對較低。圖6（c）顯示了屬于氣動結構的東京巨蛋[35]。

圖4.美國國防高級研究計劃局（Defense Advanced Research Projects Agency,DARPA）使用SMA驅動的智能機翼。經(jīng)SAGE Publications,?2004許可，轉載自參考文獻[24]。

圖5.仿生設計。（a）不同濕度條件的云杉球果（經(jīng)Elsevier許可，轉載自參考文獻[28]，?2017）；（b）通過水分變化形成的木塔（摘自參考文獻[30]，作者為“ICD/ITKE—University of Stuttgart”）。

圖6.可變形結構的實際應用。（a）主題館（經(jīng)SOMA Architects許可，?2012，轉載自參考文獻[31]）；（b）張拉整體結構體系（轉載自參考文獻[33]，作者為“Easy K-Kenneth Snelson Robin Capper via Flickr Licence CC BY-NC 2.0”,?2018）；（c）東京巨蛋體育館（經(jīng)GNU免費文檔許可，轉載自參考文獻[35]）；（d）剛性折紙結構（經(jīng)作者Dr.Tomohiro Tachi許可，轉載自參考文獻[40]）。

另一種剛性鏈接結構，由于其靈活性而允許大變形或有多種形式的變形，其中包括逐步改變截面的伸縮結構，剛性肋與旋轉的節(jié)點鏈接的鉸接系統(tǒng)，或折疊面板和旋轉桿制造的可折疊結構。人們已經(jīng)將這些系統(tǒng)用于飛機、航空航天結構和民用結構的變形[36,37]。

受折紙啟發(fā)的結構和類剪刀結構已經(jīng)成為當今可展開結構設計的靈感來源。這個想法來自于古老的折紙藝術形式[38]?？烧郫B的折紙結構由剛性面板和鉸鏈連接的分段線性表面組成[32]。它們可以由可控的折疊模式在不同的展開程度下，形成各種幾何形狀，如圖7所示的可折疊管設計[39]。受折紙啟發(fā)的建筑已經(jīng)在現(xiàn)實世界中被設計出來，如圖6（d）[40]所示，它展示了折紙結構動態(tài)的幾何形狀，以及圖1所示的Al-Bahr塔樓的可展開立面。盡管折紙啟發(fā)的結構尚未在建筑尺度上充分應用，但目前的研究已經(jīng)為將其用于改變未來民用結構的外部形狀打開了一扇門[38]。

圖7.折紙管在展開的不同階段的形狀變化。

3.2.結構控制算法

除了基于材料科學和機械系統(tǒng)的知識設計可靠的變形傳動系統(tǒng)所面臨的挑戰(zhàn)外，自主變形系統(tǒng)在通過控制算法發(fā)送信號以進行實時變形方面也面臨著挑戰(zhàn)。為了成功實現(xiàn)智能結構的設計，關鍵問題在于作為中樞神經(jīng)系統(tǒng)的控制策略。開發(fā)控制算法的目的是準確處理來自傳感系統(tǒng)的瞬時輸入，并向傳動系統(tǒng)發(fā)送命令。如果采用閉環(huán)控制系統(tǒng)，則需收集測量值進行反饋控制。簡單地說，控制算法的主要組成部分可以包括模型預測、反饋控制和強化學習。

在模型預測中，可以通過最小化所選取的優(yōu)化目標相關的成本函數(shù)，將遺傳算法等優(yōu)化算法應用于預測最佳的建筑物外形。但是，其計算時間通常太長，從而無法處理涉及高維輸入和輸出的大規(guī)模優(yōu)化問題。為了克服此問題，由多個處理層組成的深度學習（deep learning,DL）處理數(shù)據(jù)對于解決大規(guī)模問題更為有效。該技術是機器學習方法的一個分支，由于其能夠捕獲復雜的數(shù)據(jù)結構，特別是在高維問題中，所以其在圖像處理、目標檢測、語音識別和許多其他學科上取得了突破[41]。為了構建多層體系結構，DL涉及正向傳播、計算輸出分數(shù)與期望分數(shù)模式之間的測量誤差，以及使用梯度信息更新參數(shù)的反向傳播。

另一種可以用來增強系統(tǒng)預測性能的策略是強化學習（reinforcement learning,RL）。RL代理的出現(xiàn)向設計完全自主的控制系統(tǒng)邁出了重要的一步，這些系統(tǒng)可以與環(huán)境交互以學習最優(yōu)行為[42]。在RL中，系統(tǒng)在給出獎勵或懲罰信號中學習如何采取行動[43]。例如，應用于自動駕駛的RL能夠規(guī)劃車輛導航，以避免不利的情況（懲罰），并生成安全的駕駛命令（獎勵）[44]。總的來說，這是一個學習范式，學習從狀態(tài)到行動的最佳映射，以使獎勵最大化[45]。深度強化學習結合了DL和RL代理，包括操作離散動作的深度Q網(wǎng)絡（deep Q network,DQN）和在連續(xù)操作空間中估計確定性目標策略的深度確定性策略梯度（deep deterministic policy gradient,DDPG）[46]。除了上述自動駕駛技術外，RL還在機器人控制[42]、自然語言處理以及飛機變形[45]的應用中取得了成功。

控制反饋方法也可以與預測模型結合使用，因為它們已被證明可以大大提高系統(tǒng)性能。有一些流行的控制反饋方法，如比例積分微分（proportional-integral-derivative,PID）控制器、模糊控制和模型預測控制（model predictive control,MPC）[47]。例如，PID由積分、比例和微分反饋組成，分別基于對過去、現(xiàn)在和將來的控制誤差計算[47]。這三個組件之間的平衡是通過環(huán)路調整實現(xiàn)的。MPC通過最小化量化預測響應和參考響應之間差異的目標函數(shù)，利用顯式過程模型來預測過程的未來響應。該技術已被用于土木工程應用，如風激高層建筑的加速度反饋控制[48]?？梢曰诳刂葡到y(tǒng)中它們的性能、調整和易用性等來評估不同的控制器。反饋控制已廣泛用于電機驅動、汽車和飛行控制等領域。

4.自主變形結構

如3.1節(jié)所述，變形技術已應用于美學設計或結構的遮陽和通風控制，但尚未應用到針對動態(tài)風荷載條件的結構抗風外形設計中。本節(jié)提出了抗風結構自主變形的概念，建筑物的外觀能夠智能地變形，以抑制城市高層建筑群所產(chǎn)生的動態(tài)風荷載激勵。將計算與物理過程集成在一起的網(wǎng)絡物理系統(tǒng)[49]充分利用在網(wǎng)絡化的建筑物輪廓自主變形中。為了使建筑物可以智能感知周圍風環(huán)境，建筑物配備了分布式傳感器網(wǎng)絡來模擬建筑物可感知風場的皮膚。傳動裝置類似于肌肉，它可以讓建筑物將其輪廓定位成目標形狀，如扭轉變形或轉角修改。高性能計算（high-performance computing,HPC）和機器學習技術的進步已被充分利用來設計計算平臺，用于智能感應、計算和驅動建筑物變形。對于自主變形中的技術復雜性和安全問題帶來的挑戰(zhàn)必須要有充分了解。如今，土木工程、計算科學和許多其他學科的創(chuàng)新將有助于全面實現(xiàn)這一目標。本文提出的信息物理系統(tǒng)分為幾個關鍵部分，將在以下小節(jié)中介紹。

4.1.傳感

傳感技術的飛速發(fā)展一直在推動其在建筑物動態(tài)立面設計中的潛在應用。該技術涉及更廣泛的主題，如物聯(lián)網(wǎng)（Internet of Thing,IoT）[50]，其中裝配傳感器和執(zhí)行器的對象可以在數(shù)字世界中相互連接，用戶可以進行通信。IoT已經(jīng)在許多場景中得到了應用。例如，在運輸和物流領域，可以跟蹤攜帶標簽和傳感器的運輸貨物，以更新其狀態(tài)[50]。IoT平臺也可以應用到智慧城市系統(tǒng)的設計中，該系統(tǒng)中可以晝夜監(jiān)控從分布式無線傳感網(wǎng)絡收集的城市濕度、溫度和光照數(shù)據(jù)[51]。在結構工程中，無線傳感技術[52]和數(shù)據(jù)采集技術[53]的進步是結構健康監(jiān)測的關鍵組成部分。從傳感網(wǎng)絡收集與結構的模態(tài)參數(shù)和物理參數(shù)相關的數(shù)據(jù)，以執(zhí)行結構狀態(tài)評估和損傷檢測。在哈利法塔的實時結構健康監(jiān)控中，實施了基于IoT的SmartSync系統(tǒng)[54]，其中傳感和數(shù)據(jù)管理系統(tǒng)通過虛擬電纜連接到系統(tǒng)的主干，并且可以查看和遠程管理。在全尺度建筑上，IoT概念將在變形系統(tǒng)中得到應用，因為其管理系統(tǒng)將依賴互聯(lián)網(wǎng)在傳感、計算和執(zhí)行的本地化模塊之間進行連接和通信。

對于變形結構，安裝在建筑物中的分布式傳感器[如風速計、應變儀和全球定位系統(tǒng)（global positioning system,GPS）]有助于檢測風速、建筑表面風壓和建筑物響應，如圖8所示。這提供了風環(huán)境短期變化的信息。此外，在線獲取的氣象數(shù)據(jù)和衛(wèi)星圖像可以作為指導變形的補充知識來源。從網(wǎng)絡感測收集的信息用作數(shù)據(jù)分析的深度神經(jīng)網(wǎng)絡（deep neural network,DNN）的輸入知識。因此，通過選擇代表周圍風環(huán)境的關鍵特征和建筑物信息來融合傳感信息是處理變形階段的關鍵。

4.2.傳動

創(chuàng)新的傳動系統(tǒng)可以實時地改變建筑到目標外形。例如，可以將鉸接機構或智能數(shù)字材料（如嵌入有執(zhí)行器的SMA）連接到建筑立面以進行邊角修改。變形結構還可以利用折紙概念，通過使用受控折疊來實現(xiàn)扭曲效果。剛性鏈接的桁架結構使建筑物可以變形為錐形模式。圖8提供了有希望應用于結構變形的候選變形技術示例。

4.3.計算

圖8.網(wǎng)絡物理系統(tǒng)感測控制和傳動系統(tǒng)。PC（personal computer）：個人計算機。

計算算法給結構賦予人工智能，并將傳感輸入與最終的致動輸出連接起來。在本研究中，算法主要包括兩個部分：用于預測未來時間步長的最佳建筑形式的預測模型，以及用于閉環(huán)控制的控制反饋。為了確定控制策略，根據(jù)從分布式傳感器網(wǎng)絡收集到的數(shù)據(jù)，采用強化學習代理來預測最佳形狀的目標。強化學習中實質上包括兩個部分：狀態(tài)和動作。如圖9所示，代理或者策略在時間步t觀察環(huán)境的狀態(tài)st，并在時間步t+1時生成一個動作at與環(huán)境交互，并返回瞬時獎勵Rt作為反饋。通過觀察動作序列，強化學習代理可以根據(jù)每個序列對應的累積獎勵來優(yōu)化策略，從而長期學習好的和壞的行為。因此，強化學習代理的目標是最大化長期獎勵函數(shù)或價值函數(shù)（該函數(shù)表示的是策略π下未來獎勵的預期折現(xiàn)額），以便在每個時間步時得到最優(yōu)解。

就強化學習在自主變形結構中的應用而言，狀態(tài)st被定義為外部風環(huán)境的感測信息，并且由策略π生成的優(yōu)化動作at代表當前狀態(tài)st對應的空氣動力學上意義良好的建筑形式。例如，如果目標是使阻力系數(shù)Cd(t)實時最小化，瞬時獎勵方程Rt則可以定義為

那么DDPG算法中相應的Q值方程Qπ可表示為特定策略πθ下未來獎勵的預期折現(xiàn)額[55]：

式中，E表示計算期望的數(shù)學運算符，rt=EπRt。γ表示時間上的折扣因子，其值通常在0～1范圍內(nèi)。s和a分別表示當前狀態(tài)和動作。我們需要在每個時間步驟通過優(yōu)化at來優(yōu)化Qπ(s,a)。換句話說，時間t的最優(yōu)建筑配置會最大化其價值函數(shù)。

為了解決這個最大化問題，價值函數(shù)可以通過其Bellman方程寫為[56]：

式中，P表示計算概率的數(shù)學運算符；s′和a′分別表示下一個狀態(tài)和動作。那么，根據(jù)式（3），尋找最優(yōu)Q值函數(shù)Qπ的最大化問題可以寫成[56]：

最優(yōu)策略π*可以由如下公式求得：

為了訓練強化學習代理，本研究選擇了3.2節(jié)中提到的DDPG作為強化學習代理。使用DDPG的基本原理是它可以將建筑物動態(tài)立面的傳動輸出視為連續(xù)的。因此，DDPG可以實現(xiàn)連續(xù)空間控制，更適合用于本研究。DDPG算法涉及兩個神經(jīng)網(wǎng)絡的訓練：演員和評價者。如圖9所示，演員用于從連續(xù)動作空間中預測當前時間步的動作。評價者估計當前狀態(tài)的價值函數(shù)。訓練DDPG時，可以通過蒙特卡洛采樣在不斷變化的風入口條件下建筑實時變形的流動模擬軌跡來計算評價者價值函數(shù)的梯度（圖10）。然后，價值函數(shù)將能夠提供時差（temporal-difference,TD）誤差[56]來訓練策略。

為了補償預測值和實際的建筑物響應值之間的誤差，在自主變形中引入了控制反饋。在將來的時間步，從感測網(wǎng)絡收集的最佳建筑形式上的空氣動力等空氣動力學指標被用來與預測值做對比，然后計算預測誤差，并用預測誤差調整最佳建筑形式。在本研究中，我們使用MPC來實現(xiàn)閉環(huán)控制反饋。圖8展示了所提出的計算方法的示意圖。

4.4.計算模型實驗

在本節(jié)中，我們在計算平臺上模擬了所提出的網(wǎng)絡物理系統(tǒng)，以證明本研究提出的概念設計。如第3節(jié)所介紹，此案例描述了空氣動力學形狀優(yōu)化的一個方向，即建筑物橫截面形狀變化。我們引入了自動變形技術，來實時地重新設計建筑物的橫截面，以減少動態(tài)風荷載的來源。

圖9.行動者-評價者結構。

圖10.訓練框架。

我們的目的是：通過主動改變建筑物表面活動幕墻，將建筑物上的阻力最小化。至于用于訓練DDPG的數(shù)據(jù)庫，可以從各種保真度的數(shù)據(jù)源（包括風洞測試、計算模擬、在線數(shù)據(jù)集以及眾包輸入）中收集到各種建筑形式的空氣動力學信息。這個共同的、多保真度的數(shù)據(jù)庫將用作訓練強化學習的知識庫，以實現(xiàn)預測任意建筑外形的空氣動力學特性的能力。在本研究中，考慮到數(shù)據(jù)質量問題，我們僅依賴于高保真CFD模擬（即LES）來訓練策略。低保真度模擬數(shù)據(jù)和實驗數(shù)據(jù)的融合將在我們未來的工作中進行研究。在圖10中，我們使用了10個epoch，其中每個epoch包含m=10個軌跡，以計算累積獎勵或價值函數(shù)的期望值。每個軌跡包含100個采樣模擬（T=999），以計算式（1）中的瞬時獎勵函數(shù)。折扣因子γ設置為0.95[57]。使用Adam優(yōu)化器[58]來訓練演員和評價者，其中學習率為0.001。值得一提的是，此項研究訓練數(shù)據(jù)數(shù)量和epoch數(shù)量對強化學習代理進行調參（fine tune）有所不足，因此預測得到的最佳性能的動態(tài)建筑形式不夠有魯棒性。為了進一步完善這一概念驗證工作，在未來可以利用更多從數(shù)值和實驗測試中收集的公開數(shù)據(jù)集來豐富我們的訓練數(shù)據(jù)庫，使得DDPG中的神經(jīng)網(wǎng)絡收斂程度更好，并且對傳動輸出的預測更魯棒。當前工作的貢獻是證明了將強化學習應用于變形建筑物動態(tài)外觀的可行性。

圖11給出了控制算法如何指導變形過程的工作流程示意圖。強化學習代理的狀態(tài)是在接近建筑物的多個點處進行風速測量得到的傳感信息。在一個epoch中，在計算域的入口處用數(shù)字模擬方法生成了湍流強度為20%的湍流入口速度的時間序列。在每個時刻，通過對建筑物表面上的壓力數(shù)據(jù)進行積分來計算與瞬時獎勵函數(shù)相關的阻力。在本研究中，變形系統(tǒng)是近實時實現(xiàn)的，這是通過選擇一個狹窄的移動窗口來平均不斷更新的狀態(tài)和獎勵信息來實現(xiàn)的，如圖10所示。窗口大小并非通用的，而是問題特定的。一方面，如果尺寸過小，則噪聲會嚴重影響預測輸出[57]。另一方面，較大的尺寸將影響系統(tǒng)實時控制的有效性。另外，應該注意的是，建筑物的感測輸入和空氣動力學指標可以通過在已有環(huán)境中使用風速計、壓力傳感器和加速度計等進行測量得到。模型的傳動輸出給出了使阻力系數(shù)最小化的最佳建筑物橫截面形狀的預測。

基于DDPG，將預測模型由兩個經(jīng)過訓練的DNN組成：一個用于預測未來阻力系數(shù)如何變化，即評價者中的價值函數(shù)；另一個是演員，用于在給定評價者價值函數(shù)梯度信息的條件下，優(yōu)化建筑物的橫截面。傳動輸出的設計空間代表著控制建筑物橫截面外部幾何形狀的點的容許位移值，如圖2所示。神經(jīng)網(wǎng)絡在這個連續(xù)的傳動設計空間中進行探索并根據(jù)訓練好的策略的指導尋找最優(yōu)解。從圖11的演員-評價者的輸出中可以看出，綠色的輪廓顯示了帶有倒角的優(yōu)化幾何形狀，這是由強化學習代理預測的。另外，為了使橫截面變形至預計形狀，可以安裝SMA驅動器，通過引入溫度變化來控制肋板長度。

圖11.建筑物橫截面變形的控制算法的示意圖。

LES仿真用來驗證變形后的建筑物橫截面是否為最優(yōu)解，并且能夠直接測量其真實阻力系數(shù)。為了進行閉環(huán)控制，實驗采用了MPC來進一步調整橫截面形狀，減小測量阻力系數(shù)和預測阻力系數(shù)之間的差異。執(zhí)行MPC操作后，更新最佳橫截面形狀，如圖11的綠線所示。此形狀是所提出的控制系統(tǒng)在本次時間迭代中的最終輸出。然后，根據(jù)MPC輸出，將建筑橫截面變形為預估的外形，并與其外部風環(huán)境進行交互，以在順序時間迭代中生成獎勵函數(shù)。

借助于所提出的計算平臺，我們獲得了初步結果，可以驗證自主變形概念。通過考慮各種類型的傳感信息和高維傳動輸出等方式，該框架可以得到進一步的完善。鑒于實時地傳動大型機械系統(tǒng)具有挑戰(zhàn)性，并受其他環(huán)境問題（如進水）的限制，我們計劃對由傳感、控制和傳動組成的系統(tǒng)子組件進行物理演示，使用連接在比例縮放的機電驅動系統(tǒng)的可變形外墻，其中將考慮驅動大型變形系統(tǒng)的時間響應對算法的影響。技術上面臨的另一個挑戰(zhàn)是立面系統(tǒng)的開發(fā)，該系統(tǒng)在變形的同時需要保證整個建筑物的圍護結構不被水滲透。使用分布式變形技術管理局部或某些類別的建筑外墻的變形可能更有希望保證不漏水，保證提供所需的驅動力，以及確保需要變形的外墻重量較輕。這種局部形狀變化還可以通過影響載荷的時空相干性來減小風荷載效應，但其確切作用需要進一步研究。

增加變形系統(tǒng)的復雜性可包括考慮多個空氣動力學目標，如除阻力之外的升力和扭力，或者采用更復雜的建筑外形。這一課題的發(fā)展目前受到已發(fā)布數(shù)據(jù)的數(shù)量和質量的限制。盡管如此，此案例展示了深度強化學習（DRL）成功分析周圍風場并引導建筑物立面自主變形的潛力和能力。本研究為進行這項課題早期探索的研究者提供了幫助，未來會逐步實現(xiàn)把更復雜的建筑設計目標融入到變形系統(tǒng)中。這將為進一步探索傳感、計算與傳動的融合以及使其成為實際的建筑設計和施工實踐提供途徑?？梢灶A見，隨著未來大量高質量的數(shù)據(jù)集的獲得，強化學習將成為未來建筑設計實踐中從靜態(tài)到動態(tài)立面變革的強大工具。我們還致力于將來以開源形式共享數(shù)據(jù)和計算工作流，從而使強化學習工具充分被土木工程實踐所應用。

5.結語

由于風致效應和災害的增加，城市地區(qū)風對高層建筑性能產(chǎn)生的影響往往伴隨著經(jīng)濟損失。出現(xiàn)這一現(xiàn)象的原因一部分可能與氣候異常有關，另一部分原因可能是建筑物的群集效應增強了風環(huán)境干擾。隨著計算設計、人工智能、傳感和傳動以及網(wǎng)絡物理基礎設施的飛速發(fā)展，現(xiàn)在是探索未來建筑拓撲、利用動態(tài)立面主動變換輪廓來應對風環(huán)境變化的最好時機。通過直接應用于橋梁和其他結構，這將準實時地或根據(jù)風環(huán)境變化的需要提高建筑性能。建筑物的自主變形可以通過現(xiàn)有的城市傳感和計算網(wǎng)絡的融合而實現(xiàn)。本文提出的網(wǎng)絡物理系統(tǒng)是一個可以實現(xiàn)的思路，該系統(tǒng)通過城市感知和數(shù)據(jù)分析的知識融合來實現(xiàn)自主變形。計算模型的模擬結果驗證了使用DRL和MPC控制建筑物橫截面構造的變形系統(tǒng)。初步結果顯示，AI代理和前沿的變形技術在減輕風致效應，從而改善其對民用基礎設施性能及安全性的影響上有巨大應用潛力。

Acknowledgements

This study is supported in part by the US National Science Foundation (CMMI-1562244 and CMMI-1612843),seed grant from the Center for Informatics and Computational Science (CICS) at the University of Notre Dame,the Student Innovation Fellowship from the Thornton Tomasetti Foundation,O.H.Ammann Research Fellowship from the American Society of Civil Engineers,and funds from the Robert M.Moran Professorship.

Compliance with ethics guidelines

Fei Ding and Ahsan Kareem declare that they have no conflict of interest or financial conflicts to disclose.