摘要：针对k-means聚类算法在大跨屋盖结构表面风荷载分区计算中，聚类数k值随机选取容易导致结果不稳定和计算效率低等问题，提出改进的Canopy-k-means聚类算法。首先，引入Canopy算法并对其初始阈值和聚类中心的选取方式进行改进，减少初始值选取的盲目性，以提高风荷载分区结果的可靠性；其次通过改进Canopy算法对风荷载数据集进行预处理，快速准确地确定聚类数k值；然后将改进Canopy算法与k-means结合使用，实现最优分类数k值的精准识别，使得改进的Canopy-k-means聚类算法进行大跨屋盖结构表面风荷载分区时能够快速准确的得到分区结果。最后以一大跨柱面屋盖干煤棚结构为例，基于风洞试验所得结构表面风荷载数据测试结果，采用所提改进的Canopy-k-means聚类算法对其表面风荷载进行分区计算。结果表明，采用改进的Canopy-k-means聚类算法，将0°、50°和90°风向角时大跨屋盖表面风荷载划分为了三个不同的分区，其对应的SD值分别为2.36、3.51和2.52，较传统k-means聚类算法所得对应值明显降低，类内紧凑性和类间分散性明显提升。因此，所提改进的Canopy-k-means聚类算法能够快速准确地得到最优分区结果，对大跨屋盖表面风荷载分区具有较好的工程应用价值。
文章目录
1 k-means聚类算法
1.1 算法原理
1.2 算法不足
2 改进的Canopy-k-means聚类算法
2.1 Canopy算法
2.2 改进的Canopy算法
2.3 改进的Canopy-k-means聚类算法
2.4 SD值有效性检验
3 算例分析
3.1 工程简介
3.2 风洞试验测试
3.3 风场模拟
3.4 测点风荷载数据处理方法
4 基于改进的Canopy-k-means聚类算法的风荷载分区
4.1 改进的Canopy-k-means聚类算法分区
4.2 SD值计算及与传统k-means算法对比
5 结 语
