高层公寓建筑立面集成太阳能组件的风致破坏性分析

《Journal of Building Engineering》：Wind-Induced Fragility Analysis of Building Fa?ade-Integrated Solar Modules on High-Rise Apartments

本研究提出幕墙集成太阳能模块（FISM）在高层建筑中抗风性能的性能化分析框架，结合极限强度与疲劳失效模式实验和有限元模拟，利用Kriging代理模型与主动学习策略量化结构不确定性，通过概率需求分析生成脆弱性曲线，为性能化设计提供理论支撑。

　　

李守科|刘玉东|廖守英|刘敏|庄胜成

湖南科技大学土木工程学院，中国湘潭411201

摘要

集成在建筑立面上的太阳能模块（FISMs）为提高城市环境中可再生能源的利用提供了有前景的解决方案。然而，当这些模块安装在高层建筑上时，它们特别容易受到风荷载的影响。现有的设计规范依赖于确定性方法，往往无法准确评估FISMs的抗风性能。为了解决这一限制，本研究提出了一种基于性能的分析框架，用于评估安装在高层公寓上的FISMs在风荷载作用下的脆弱性。通过结构实验和精细的有限元模拟，研究了风荷载下的极限强度和疲劳失效模式。根据观察到的失效特征定义了多级性能极限状态，以解决抗风设计中的关键安全和耐久性问题。为了考虑结构不确定性，开发了一种结合主动学习的Kriging替代模型，并评估了三种代表性主动学习策略的有效性。利用该框架进行了概率需求分析，以得出风诱导的脆弱性曲线。所开发的脆弱性分析框架能够有效量化FISMs的各种目标性能，为基于性能的设计和风险评估提供了坚实的基础。

引言

在全球能源转型和迫切需要缓解气候危机的驱动下，太阳能——作为一种被认为具有最大大规模部署潜力的可再生能源——已成为全球国家能源战略的基石。在土地资源有限的城市环境中，将太阳能模块集成到建筑物中已成为一种可行的解决方案，其中屋顶和立面安装是主要的方法。值得注意的是，高层建筑的立面面积通常远大于其屋顶面积，为集成在立面上的太阳能模块（FISMs）提供了巨大的部署潜力。当设计得当时，FISMs可以产生足够的电力来满足典型家庭的日常需求[1]，并且它们与各个住宅电力系统的无缝集成进一步增强了其吸引力[2]。FISMs通常由薄壁钢支架支撑，这些支架的刚度相对较低。风荷载是作用在这些支架上的主要外力，使得模块在极端风事件中容易发生倾覆或脱落。此类故障由于落下的碎片而对公共安全和财产构成严重风险。因此，改进高层建筑上FISMs支撑结构的抗风设计具有紧迫的实际意义。传统的太阳能模块支撑系统设计规范主要依赖于确定性方法，将参考风速与经验安全系数相结合。然而，这些方法无法在变化的风条件下准确量化潜在的损害[3]。基于性能的设计（PBD）通过使用概率框架来评估在不确定外部作用下的结构响应，提供了一种更为严格的方法。PBD明确地将荷载、结构响应和损害联系起来，使得风险评估更加透明，并促进了从基于经验的设计向数据驱动的抗风设计的转变[4]。

风诱导的脆弱性模型在PBD中充当风荷载（输入）和结构响应（输出）之间的关键组成部分。通过建立一个多维框架，该框架将风速、性能指标和超越概率联系起来，为量化目标性能要求提供了核心标准。在进行风诱导的脆弱性分析之前，明确结构失效机制是必不可少的。风荷载表现出长期的非平稳特性，包括在极端风速下的非高斯行为和季节性波动。根据常见结构失效机制的时间和物理特性，风诱导的失效可以分为极限强度失效和疲劳失效，分别对应于安全导向和耐久性导向的目标。极限强度失效发生在短期极端风荷载超过承载能力时，导致整体倒塌、关键构件断裂或接头失效。Quilligan等人[5]比较了钢制和混凝土风力涡轮塔在风诱导极限强度失效模式下的脆弱性曲线，发现钢制塔在较低风速下具有更好的抗风性能，而混凝土塔在较高风速下表现更好。Ji等人[6]提出了一种脆弱性分析框架，用于评估强风下的钢制屋顶损坏，并分析了极限强度失效模式的方向性脆弱性曲线。他们得出结论，考虑风向性显著增加了损坏的概率。Fu等人[7]评估了传输塔的风诱导脆弱性，同时考虑了多参数不确定性，表明参数不确定性会导致更分散的脆弱性曲线，从而强调了全面考虑建模不确定性的必要性。Sun等人[8]结合了结构测试和有限元分析（FEA），量化了立缝金属屋顶在极限强度失效模式下的多级性能，为各种配置构建了脆弱性曲线，并确定了最佳的抗风设计。疲劳失效源于长期波动风荷载下的累积损伤：它始于微裂纹的产生和扩展，最终导致宏观断裂，通常伴随着极限强度的显著降低。Do等人[9]开发了一个风力涡轮塔基部连接的疲劳脆弱性数学模型，并将其应用于5 MW涡轮机，以预测在不同结构参数下的疲劳寿命。Wieghaus等人[10]研究了交通信号结构中的风诱导疲劳脆弱性，发现正常风条件（例如，回归周期小于一年）主要导致累积损伤，而低速侧风会在杆臂连接处引起早期疲劳。Wu等人[11]通过循环加载测试和FEA评估了五种立缝金属屋顶类型的疲劳脆弱性，比较了在静态和简化循环荷载下的结果，发现循环加载一致产生了更高的脆弱性。尽管已经开发并将风诱导的脆弱性分析应用于各种结构类型，但对于高层建筑上的FISMs的研究仍然相对较少。

目前，有三种主要方法用于得出脆弱性曲线[7]：基于概率需求分析（PDA）的回归拟合、基于增量动态分析（IDA）的频率分析，以及基于需求与容量比（RDC）的回归拟合。IDA方法通过逐步增加荷载大小来进行多次非线性时程分析，允许在不同荷载水平下对结构响应和失效概率进行统计评估。其关键优势在于能够准确捕捉强风下的非线性行为和渐进式失效机制，特别是对于具有显著动态耦合效应的空气弹性结构。然而，IDA计算量较大，并且对风荷载时程的频谱特性非常敏感，这限制了其在长时间风诱导脆弱性分析中的适用性。PDA和RDC方法类似，主要区别在于用于回归的变量。然而，基于严格概率关系的PDA方法提供了更大的理论严谨性，已成为风诱导脆弱性分析的首选方法。在工程实践中，由于人为操作、建模不准确性和时变环境干扰，偏差是常见的。因此，脆弱性分析应考虑多种不确定性来源，包括材料属性的统计变异性、风荷载的时空非平稳性以及由于施工缺陷导致的局部强度降低。PDA方法可以通过生成遵循指定概率分布的样本集来考虑这些不确定性；然而，随着输入参数数量的增加，计算成本会迅速增加。为了解决这一挑战，研究人员结合了机器学习技术，并取得了有希望的结果[12]、[13]、[14]、[15]、[16]、[17]。在这些方法中，Kriging替代模型因其计算效率和处理高维不确定性的能力而特别值得注意。Kriging模型的核心概念是使用有限数量的样本在参数空间上构建概率响应表面，同时提供预测均值和相关置信区间——实现了“单一建模，双重输出”的智能评估。Cai等人[18]提出了一个基于Kriging的脆弱性分析框架，用于承受极端风的传输塔，通过单塔案例研究证明了其可行性，并进一步将其扩展到台风场景下的塔线系统。Bi等人[19]使用Kriging替代模型评估了在风和雨联合荷载下的传输塔线系统的脆弱性，即使在复杂的多灾害条件下也实现了低计算成本和高预测精度。Hu等人[20]使用Kriging和多项式混沌扩展模型为桥梁开发了抖振脆弱性分析框架，得出Kriging在预测精度上优于多项式混沌的结论。Xu等人[21]引入了一种基于主动学习的Kriging替代模型（ALBKSM），用于极端波浪条件下的桥梁脆弱性分析。与传统Kriging模型相比，这种增强模型使用自适应采样策略动态识别最有信息的样本，从而以最小的计算成本实现了高精度的全球建模。

为了高效准确地评估FISMs的抗风性能，并为其抗风设计建立可靠的理论基础，本研究考察了安装在高层公寓上的代表性FISM。基于PBD原则，进行了安全和耐久性导向的脆弱性分析，以解决FISMs抗风设计中的主要问题。通过实验验证的有限元建模，表征了风诱导的极限强度和疲劳失效机制，确定了安全和耐久性要求的适当性能指标，并建立了相应的性能极限状态。为了纳入结构不确定性分析，采用了ALBKSM。评估了三种代表性主动学习策略的有效性——均方误差（MSE）最小化、信息增益（IG）最小化和基于预期改进（EI）的采样——以确定开发高效脆弱性分析框架的最佳方法。随后使用PDA生成了安全和耐久性导向的脆弱性曲线，量化了FISMs在不同风荷载下的性能。

部分摘录

数值模型和设置

本研究关注的是在中国广泛采用的FISM原型。在有限元建模中，使用Ansys Mechanical 2024R2平台[22]开发了非线性静态精细模型。支撑结构由成对的Q235薄壁钢夹紧支架组成。各个支架组件包括面板夹具、主梁、顶部支撑梁、底部支撑梁、对角梁、壁装梁和螺栓，组件编号详见图1。主梁、顶部

极限强度失效特性

与建筑包层设计类似，FISMs的抗风设计通常关注极端风荷载。因此，将来自最不利风向的最负峰值压力系数转换为等效的极端风荷载，并应用于太阳能面板，以研究风诱导的极限强度失效的演变，具体方法详见Wang等人的工作[24]。此处使用的风压系数

多级性能标准的定义

在FISMs的抗风设计中，脆弱性分析主要旨在量化支撑结构在外部荷载条件下超过指定性能阈值的概率。第一步是定义适当的指标，以表征相对于目标要求的结构性能水平。安全和耐久性代表了FISMs抗风设计中的两个主要要求。安全指的是系统保持结构

结论性评论

采用PBD框架，本研究对安装在高层公寓上的代表性FISM进行了风诱导的脆弱性分析，重点关注安全和耐久性。通过实验验证的有限元建模，表征了风诱导的极限强度和疲劳失效机制；确定了安全和耐久性的适当性能标准，并建立了相应的极限状态。为了有效纳入结构不确定性，采用了ALBKSM

CRediT作者贡献声明

刘敏：写作——审稿与编辑、方法论。李守科：写作——审稿与编辑、监督、资源管理、项目管理、方法论、调查、资金获取、数据管理、概念化。廖守英：写作——审稿与编辑、监督、方法论。刘玉东：写作——审稿与编辑、原始草稿撰写、可视化、验证、软件、方法论、调查、正式分析、数据管理。庄胜成：写作——审稿与编辑

数据可用性

支持本研究发现的数据可向作者索取。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢

作者感谢国家自然科学基金（项目编号：52378510、52378509、52308501）和中国 Scholarship Council（202309480002）的支持。