漏斗型峡谷桥址区平均风特性的数值模拟

张明金; 邢龙飞; 蒋帆影; 张金翔; 李永乐

doi:10.3969/j.issn.0258-2724.20211006

漏斗型峡谷桥址区平均风特性的数值模拟

doi: 10.3969/j.issn.0258-2724.20211006

西南交通大学土木工程学院，四川成都 610031

基金项目: 国家自然科学基金（52278533，51708464）

详细信息

作者简介:
张明金（1984—），男，研究员，博士，研究方向为桥梁抗风，E-mail：zhang-minjin@swjtu.edu.cn

中图分类号: U442.59
计量
- 文章访问数: 534
- HTML全文浏览量: 180
- PDF下载量: 34
- 被引次数: 4
出版历程
- 收稿日期: 2021-12-07
- 修回日期: 2022-05-12
- 网络出版日期: 2022-11-29
- 刊出日期: 2022-05-25

Numerical Simulation of Mean Wind Characteristics at Bridge Site in Funnel-Shaped Canyon Terrain

College of Civil Engineering, Southwest Jiaotong University, Chengdu 610031, China

摘要

摘要:
结合某大跨悬索桥所在山区地形，研究了漏斗型峡谷这一特殊构造地形的桥址区平均风特性，为大跨度桥梁在漏斗型峡谷地区的抗风设计提供依据. 首先，建立实际地形的数值模型，并利用Fluent软件对24个不同来流工况进行比较分析；然后，将整体模拟结果与实测结果进行对比，验证数值模拟的合理性；最后，通过模拟结果的对比分析，探讨漏斗型峡谷桥位对风速大小、风攻角、风向角在不同来流方向的影响规律，分析平均风速随攻角分布的特点以及不同位置处的竖向风剖面特性. 研究结果表明：漏斗型峡谷桥址区存在明显峡谷风加速效应；漏斗型地形对桥址区来流的攻角和风向分别表现为弱扰乱性和高导向性，来流攻角和风向分别稳定集中在−5°～0° 和25°～30°；峡谷中风速对攻角变化的敏感性更高.
- 复杂山区地形 /
- 漏斗型峡谷 /
- 平均风特性 /
- 计算流体动力学数值模拟
Abstract:
Taking the mountainous terrain of the long-span suspension bridge as a typical example, the mean wind characteristics at bridge site in the mountainous terrain of a funnel-shaped canyon are studied, which provide a basis for the wind resistance design of large-span bridges in the funnel-shaped canyon area. Firstly, a numerical model of the actual terrain is established and 24 cases with different wind directions are analyzed by Fluent. Then, the simulation results are compared with the measured data to verify the resonableness of the numerical simulation. Finally, simulation results are used to explore the influence of the bridge location at the funnel-shaped canyon on mean wind velocity, wind attack angle, wind direction angle in different flow directions, and to analyze the characteristics of wind velocity distribution with different attack angles and vertical wind profiles at different locations. The research results show that there is an obvious canyon wind acceleration effect at the bridge site. The topography of funnel-shaped canyon shows weak disturbance and high directivity to the wind attack angle and wind direction angle in different flow directions at the bridge site in funnel-shaped canyon area, and the wind attack angle and wind direction angle are −5°–0° and 25°–30°, respectively. The wind velocity in the funnel-shaped canyon is more sensitive to the change of the attack angle.
- complex mountainous terrain /
- funnel-shaped canyon /
- mean wind characteristics /
- CFD numerical simulation

HTML全文

随着我国西部大开发的不断开展，高海拔隧道建设越来越多，规划建设的某高原铁路沿线海拔多高于3 km，桥隧比在80%以上，拥有数座长度超过20 km的铁路隧道. 为克服高海拔隧道施工低压低氧的困难，保障施工人员工作效率及生理健康，供氧是最直接的改善措施之一. 众多学者对高海拔供氧进行了相关研究，郭春等^[1-2]研究了高海拔供氧标准，得到了不同劳动强度和不同海拔高度下人体最低需氧量；孙志涛^[3]对高海拔施工缺氧进行了分级，得到了高海拔隧道施工氧含量的控制标准；王明年等^[4-5]对高海拔施工供氧技术进行了总结，得到高海拔供氧技术，包含个人携氧供氧、弥散式供氧、综合供氧、氧吧车供氧和室内鼻息式供氧，在不同隧道施工工序下应组合供氧方法和供氧系统，以适应不同劳动强度下施工人员的供氧需求和心理需求；谢文强^[6]对高海拔隧道施工供氧标准进行了研究，得到了不同海拔高度人体所需最小耗氧量和通气量；严涛等^[7]对高海拔供氧参数进行研究，建议海拔高度在3 000 m以上施工进行供氧. 目前高海拔隧道施工供氧方面的研究，主要集中在供氧标准及供氧方式两部分，研究手段基本以理论分析与公式推导为主，缺少现场的实际测试.

在数据拟合方面，BP （back propagation）神经网络目前在多维变量拟合应用中较多，由于BP神经网络自身存在收敛慢、波动大的缺陷^[8-10]，大量学者基于BP神经网络做了较多优化，并进行了应用. Wang 等^[11]通过MEC-BP神经网络对箱梁施工扰度进行了拟合预测，得到MEC-BP神经网络拟合预测结果优于BP神经网络结构；李步遥等^[12]基于MEC-BP神经网络对基坑水平位移进行了反演分析，得到MEC-BP神经网络收敛速度快于GA-BP神经网络^[8]，且结果优于GA-BP （genetic algorithms back propagation）神经网络和BP神经网络；王春晓等^[13]基于MEC-BP神经网络对群桩轴力进行预测，得到MEC-BP神经网络预测精度及准确度明显高于BP神经网络.

本文通过高海拔隧道供氧实验，对高海拔隧道施工人员进行现场测试，并运用MEC-BP神经网络对现场测试数据进行拟合，研究高海拔人员劳动功率和氧浓度对劳动强度的影响规律，其中劳动强度通过平均能量代谢率表示.

1. MEC-BP神经网络模型简介

1.1 BP神经网络

BP神经网络算法^[11]是一种基于输出误差逆向传播的多层前馈神经网络算法，对于三层前馈神经网络，其基本结构由输入层、隐含层、输出层构成，根据神经网络层建立的输入输出函数Q以及误差函数E 分别为

$Q = \psi \left( \sum\limits_{j = 1}^m {{w_{jk}}{y_i} - \theta _k} \right) = \psi \left( \sum\limits_{j = 1}^m {{w_{jk}}\varphi \left( \sum\limits_{i = 1}^n {{w_{ik}}{x_i}} - \theta _j \right)} - \theta _k \right),$

(1)

$E = \frac{1}{{2S}}\sum\limits_{t = 1}^S {{{({T_t} - {O_t})}^2}},$

(2)

式中： $\psi ({\text{•}})$ 和 $\varphi ({\text{•}})$ 分别为输出层和隐含层的传递函数； $w_{jk}$ 、 $w _{ik}$ 分别为第k个输出层下的第j个隐含层和第i个输入层的连接权重； $\theta _j$ 、 $\theta _k$ 分别为第j个隐含层和第k个输出层的阈值；S为样本数量； $O$ _t为第t个样本预测输出值； $x_i$ 和 $y_i$ 分别为隐含层输入和输出值； $T_t$ 为实验测试值.

由于BP神经网络算法存在收敛慢和局部最小值的缺陷，接下来引入思维进化算法（MEC）对BP神经网络进行优化.

1.2 MEC算法

MEC算法^[11]是一种基于遗传算法改进的优化算法，运用MEC算法对BP神经网络的权值和阈值进行最优搜索，能提高BP神经网络的收敛速度和精度. 其基本步骤如下：

步骤1　种群初始化. 先将总体随机分成a个个体(m₁，m_2，…，m_a)，通过式（3）对各个体进行打分，并根据分数将个体分为w个优等子种群（每个优等种群包含b个个体）和r个临时子种群（每个临时种群包含h个个体）两大类，这两个种群分别用M_supi和M_temi表达，如式（4）所示.

$S = \frac{1}{{1 + E}} ,$

(3)

$\left\{ \begin{gathered} {M_{\sup i}} = \{ {m_1},{m_2}, \cdots, {m_b}\},\quad i = 1,2, \cdots, w , \\ {M_{{\rm{tem}}i}} = \{ {m_1},{m_2}, \cdots, {m_h}\} ,\quad i = 1,2, \cdots, r . \end{gathered} \right.$

(4)

步骤2　种群内竞争. 选出在每个子种群中得分最高的个体，按照正态分布将得分重新排序并再次进行得分计算，当最高得分者保持不变时，该最高得分者所在子种群即视为成熟，最高得分即代表该子种群得分.

步骤3　种群间竞争. 如果临时子种群（S_temi）得分高于成熟的优等子种群（S_supi），那么成熟的优等种群将会被该临时种群替代. 相反，如果临时种群得分较低，那么该临时种群将会解散，再重新生成新的临时种群，步骤2将产生新的临时种群.

1.3 MEC-BP神经网络拟合预测模型

MEC-BP神经网络拟合预测模型框架如图1所示. 图中：i_max、E_max分别为最大迭代次数和最大误差.

图 1 MEC-BP神经网络框架

Figure 1. MEC-BP neural network framework

下载: 全尺寸图片幻灯片

其基本流程为根据所选数据结构确定BP神经网络结构，通过MEC方法优化获得BP神经网络权值和阈值，进而得到优化的BP神经网络，通过优化的BP神经网络对给予的测试数据进行验证和预测.

2. 高海拔隧道供氧实验

高海拔供氧实验在西藏拉萨达孜区的圭嘎拉隧道进行，实验地点海拔高度约为4 200 m，实验测试对象为现场6名隧道技术施工人员，年龄在20岁～30岁，现场测试及仪器如图2所示.

图 2 现场测试及实验仪器

Figure 2. Field test and experimental instrument diagram

下载: 全尺寸图片幻灯片

实验通过调节供氧端制氧含量来设置供氧浓度，根据相关资料研究的氧浓度安全上限和实验的安全性^{[6, 14]}，供氧浓度设置为20.9%、25.0%和29.0%，通过调节骑行台设置50、75、100 W的骑行功率. 实验中，每位测试人员需在不同的氧浓度和骑行功率下骑行10 min，最后记录肺通量和相关生理参数. 根据相关肺通量和平均能量代谢率关系式^[15-16]，将标准化后的肺通量数值按照式（4）计算平均能量代谢率，现场测试及计算数据如表1所示.

表 1 现场测试及计算数据

Table 1. Field test and calculation data

测试人员编号	氧浓度/%	功率/W	肺通量/(L·min⁻¹)	A/m²	测试环境温度/K	标准肺通气量/ (L·min⁻¹)	平均能量代谢率/ (kJ·(min·m²)⁻¹)
1 号	20.9	50	10.52	1.86	298.15	5.78	0.57
	25.0	50	7.88	1.86	286.15	4.51	0.50
	29.0	50	7.29	1.86	284.15	4.20	0.48
	20.9	75	20.03	1.86	296.15	11.08	0.96
	25.0	75	17.07	1.86	288.15	9.71	0.69
	29.0	75	17.02	1.86	290.15	9.61	0.67
	20.9	100	32.75	1.86	298.15	18.00	2.21
	25.0	100	27.88	1.86	292.15	15.64	1.80
	29.0	100	27.94	1.86	292.15	15.67	1.80
2 号	20.9	50	9.75	1.80	299.15	5.34	0.56
	25.0	50	7.52	1.80	292.15	4.22	0.49
	29.0	50	6.73	1.80	284.15	3.88	0.47
	20.9	75	20.45	1.80	298.15	11.24	1.06
	25.0	75	18.12	1.80	298.15	9.96	0.81
	29.0	75	16.41	1.80	284.15	9.46	0.71
	20.9	100	27.54	1.80	298.15	15.13	1.80
	25.0	100	23.89	1.80	290.15	13.49	1.50
	29.0	100	22.87	1.80	289.15	12.96	1.39
3 号	20.9	50	8.64	1.72	298.15	4.75	0.53
	25.0	50	7.39	1.72	291.15	4.16	0.50
	29.0	50	6.91	1.72	283.15	4.00	0.49
	20.9	75	23.56	1.72	297.15	12.99	1.52
	25.0	75	20.45	1.72	298.15	11.24	1.17
	29.0	75	19.31	1.72	285.15	11.10	1.14
	20.9	100	29.44	1.72	298.15	16.18	2.14
	25.0	100	26.56	1.72	289.15	15.05	1.92
	29.0	100	25.44	1.72	285.15	14.62	1.84
4 号	20.9	50	10.74	1.85	298.15	5.90	0.59
	25.0	50	7.86	1.85	291.15	4.42	0.49
	29.0	50	6.66	1.85	282.15	3.87	0.46
	20.9	75	18.64	1.85	295.15	10.35	0.83
	25.0	75	16.24	1.85	292.15	9.11	0.59
	29.0	75	13.52	1.85	284.15	7.80	0.53
	20.9	100	25.79	1.85	298.15	14.17	1.55
	25.0	100	22.17	1.85	300.15	12.10	1.17
	29.0	100	21.25	1.85	283.15	12.30	1.20
5 号	20.9	50	10.22	1.99	298.15	5.62	0.54
	25.0	50	8.54	1.99	292.15	4.79	0.49
	29.0	50	7.47	1.99	282.15	4.34	0.47
	20.9	75	19.39	1.99	298.15	10.66	0.74
	25.0	75	18.72	1.99	292.15	10.50	0.71
	29.0	75	18.35	1.99	283.15	10.62	0.73
	20.9	100	28.27	1.99	298.15	15.54	1.60
	25.0	100	25.88	1.99	299.15	14.17	1.37
	29.0	100	24.33	1.99	285.15	13.98	1.33
6 号	20.9	50	9.99	1.85	298.15	5.49	0.56
	25.0	50	7.35	1.85	291.15	4.14	0.48
	29.0	50	6.19	1.85	282.15	3.59	0.45
	20.9	75	19.31	1.85	298.15	10.61	0.88
	25.0	75	19.17	1.85	294.15	10.68	0.89
	29.0	75	18.84	1.85	292.15	10.57	0.87
	20.9	100	27.5	1.85	300.15	15.01	1.70
	25.0	100	26.09	1.85	299.15	14.29	1.57
	29.0	100	25.13	1.85	289.15	14.24	1.56

下载: 导出CSV

| 显示表格

$V_{\rm{E}} = \frac{{V_1P_1T}}{{PT_1}} ,$

(5)

$\left\{ \begin{gathered} \lg \; M = 0.094 \; 5\frac{V_{\rm{E}}}{A} - 0.533\;94, \quad V_{\rm{E}} \in (3.0,7.3), \\ M = \dfrac{{{{10}^{0.094\;5\tfrac{{V_{\rm{E}}}}{A} - 0.533\;94}} + 13.26 - {{10}^{1.164\;8 - 0.012\;58\tfrac{{V_{\rm{E}}}}{A}}}}}{2}, \\ \lg (13.26 - M) = 1.164\;8 - 0.012\;58\frac{{V_{\rm{E}}}}{A},\quad V_{\rm{E}} \geqslant 8.0, \\ \quad V_{\rm{E}} \in [7.3,8.0) , \\ \end{gathered} \right.$

(6)

式中： $V_{\rm{E}}$ 为标准状态肺通气量（L/min）； $V_{1}$ 为相应海拔高度下肺通气量（L/min）；P为标准大气压（101.325 kPa）；P₁为相应海拔高度下大气压（实测取60.8 kPa）；T为标准状态温度（273.15 K）；T₁为相应海拔高度下温度（K）；M为平均能量代谢率（kJ/（min•m²））；A为体表面积（m²），如式（7）.

$A = 0.006 \;1H + 0.012\; 4W - 0.009\; 9 \text{，}$

(7)

式中：H为身高（cm）；W为体重（kg）.

从测试数据中看出，高海拔施工人员平均能量代谢率较低，且在100 W时最大平均能量代谢率为2.21 kJ/（min•m²）；高海拔施工人员平均能量代谢率随着功率增加而增加，在相同骑行功率下，平均能量代谢率随着氧浓度增加有减小趋势，且在100 W骑行功率减小较为明显.

3. MEC-BP神经网络算法拟合结果

根据数据特征，输入神经元选2个（功率、氧浓度），隐藏神经元个数取为10个，输出神经元为1个（平均新陈代谢率），种群规模大小取为100，训练数据取前5个人的45个数据，测试数据取最后1个人的9个数据. 神经网络结构如图3所示. 运用MATLAB R2016a对测试数据进行拟合，MEC-BP迭代次数及拟合优度如图4所示. 图5和图6分别给出了GA-BP和BP神经网络拟合优度及均方误差. 根据式（2）计算出MEC-BP、GA-BP、BP神经网络测试值与预测值均方误差分别为0.0139、0.0130、0.0255. 从拟合优度可以看出，MEC-BP神经网络优化算法相对较好，且均方误差较小，在计算过程中收敛速度快，在第4迭代步时验证集拟合均方根误差达到最小值0.054，在短时间内通过训练能达到较高拟合度，且训练、验证和测试的拟合优度较为平稳.

图 3 BP神经网络结构

Figure 3. Structure diagram of BP neural network

下载: 全尺寸图片幻灯片

图 4 MEC-BP迭代收敛及拟合优度

Figure 4. MEC-BP iterative convergence and goodness of fit

下载: 全尺寸图片幻灯片

图 5 GA-BP拟合优度

Figure 5. GA-BP goodness of fit

下载: 全尺寸图片幻灯片

图 6 BP拟合优度

Figure 6. BP goodness of fit

下载: 全尺寸图片幻灯片

从图7可以看出：在骑行功率为50 W时，平均能量代谢率随氧浓度变化不明显；在骑行功率为75 W时，平均能量代谢率随着氧浓度增加而减小，减小梯度小于100 W时变化曲率；在功率100 W时，当氧浓度小于25%时，平均能量代谢率随着氧浓度增加逐渐减小，当氧浓度大于25%时，平均能量代谢率随着氧浓度增加趋于平稳.

图 7 MEC-BP拟合平均能量代谢率变化

Figure 7. MEC-BP fitting average energy metabolic rate change chart

下载: 全尺寸图片幻灯片

4. 结　论

通过在高海拔进行高原供氧实验，运用MEC-BP神经网络优化算法对高海拔供氧测试数据进行了拟合，得到如下结论：

1）通过MEC-BP神经网络拟合的测试数据可以看出，拟合曲线变化规律与现场测试数据变化规律基本一致，验证了MEC-BP神经网络拟合的有效性.

2）通过不同算法对比分析了高原供氧数据拟合结果的准确性，MEC-BP神经网络在测试、验证和训练的拟合优度上相对稳定且精度较高，均方误差较小，拟合效果较好，可为多维数据拟合提供参考.

3）通过高海拔现场测试和MEC-BP神经网络拟合数据得到，50 W和75 W骑行功率下平均能量代谢率随氧浓度变化较小，100 W骑行功率下平均能量代谢率随氧浓度变化较大；25%供氧浓度可以作为4 200 m高海拔较高劳动强度的供氧浓度参考值.

致谢：成都哲学社会科学规划项目（2019CS107）；成都市科技项目（2019-YFYF-00121-SN）.

图 1 桥址区地形数值模型

Figure 1. Numerical topography model of the bridge site

下载: 全尺寸图片幻灯片

图 2 计算区域网格划分（单位：km）

Figure 2. Meshing for computational domain (unit: km)

下载: 全尺寸图片幻灯片

图 3 入口风速随高度的变化

Figure 3. Variation of inlet wind velocity with height

下载: 全尺寸图片幻灯片

图 4 风速测试点分布示意

Figure 4. Locations of wind velocity observation points

下载: 全尺寸图片幻灯片

图 5 来流风向示意

Figure 5. Schematic of wind flow directions

下载: 全尺寸图片幻灯片

图 6 不同来流方向风速玫瑰图（单位：m/s）

Figure 6. Rose diagram of wind velocity in different flow directions (unit: m/s)

下载: 全尺寸图片幻灯片

图 7 工况14的桥位高度处入流风速分布云图

Figure 7. Nephogram of wind speed distribution of incoming flow at bridge height in case 14

下载: 全尺寸图片幻灯片

图 8 桥位处实测风速日平均最大风向分布

Figure 8. Wind direction distribution of daily mean maximum wind velocity at bridge site

下载: 全尺寸图片幻灯片

图 9 不同来流方向主梁平均风攻角玫瑰图（单位：（°））

Figure 9. Rose diagram of average wind attack angle along bridge deck in different flow directions (unit: ( ° ) )

下载: 全尺寸图片幻灯片

图 10 不同来流方向主梁平均风向角玫瑰图（单位：（°））

Figure 10. Rose diagram of average wind direction angle along bridge deck in different flow directions (unit: ( ° ) )

下载: 全尺寸图片幻灯片

图 11 各类工况风速随风攻角分布

Figure 11. Variation of wind velocity with wind attack angle under different cases

下载: 全尺寸图片幻灯片

图 12 典型工况下不同位置风剖面对比

Figure 12. Comparison of wind profiles at different locations under typical cases

下载: 全尺寸图片幻灯片

图 13 复合风速标准

Figure 13. Composite wind speed standard

下载: 全尺寸图片幻灯片

表 1 工况类别划分

Table 1. Case classification

工况类型	类型描述	工况
Ⅰ	从西往东反向吹向桥位	1～6
Ⅱ	南北向来流受到山体的阻挡	7～12、19～24
Ⅲ	从东往西吹向漏斗型峡谷	13～18

下载: 导出CSV

表 2 大风速工况

Table 2. Cases at high wind velocity

工况	工况类型	风速大小/（m·s⁻¹）	放大系数
3	Ⅰ	38.87	0.96
13	Ⅲ	39.25	0.97
14	Ⅲ	44.68	1.10
15	Ⅲ	44.67	1.10
16	Ⅲ	45.66	1.12
17	Ⅲ	41.75	1.03
注：风速放大系数为主梁桥面处的平均风速大小与入口处桥面高度风速大小的比值.

下载: 导出CSV

参考文献(15)

[1]	吴联活,张明金,李永乐,等. 复杂山区地形桥址区风特性的数值模拟[J]. 西南交通大学学报,2019,54(5): 915-922. WU Lianhuo, ZHANG Mingjin, LI Yongle, et al. Numerical simulation of wind characteristics at bridge sites in complex mountainous terrains[J]. Journal of Southwest Jiaotong University, 2019, 54(5): 915-922.
[2]	洪新民,郭文华,熊安平. 山区峡谷风场分布特性及地形影响的数值模拟[J]. 长安大学学报(自然科学版),2017,37(5): 56-64. doi: 10.19721/j.cnki.1671-8879.2017.05.008 HONG Xinmin, GUO Wenhua, XIONG Anping. Numerical simulation of distribution characteristic of wind fields and terrain’s influence in mountain canyon[J]. Journal of Chang’an University (Natural Science Edition), 2017, 37(5): 56-64. doi: 10.19721/j.cnki.1671-8879.2017.05.008
[3]	HU P, HAN Y, CAI C S, et al. Wind characteristics and flutter performance of a long-span suspension bridge located in a deep-cutting gorge[J]. Engineering Structures, 2021, 233: 111841.1-111841.15.
[4]	李永乐,遆子龙,汪斌,等. 山区Y形河口附近桥址区地形风特性数值模拟研究[J]. 西南交通大学学报,2016,51(2): 341-348. doi: 10.3969/j.issn.0258-2724.2016.02.013 LI Yongle, TI Zilong, WANG Bin, et al. Numerical simulation of wind characteristics over bridge site near Y-shaped river junction in mountainous area[J]. Journal of Southwest Jiaotong University, 2016, 51(2): 341-348. doi: 10.3969/j.issn.0258-2724.2016.02.013
[5]	靖洪淼,廖海黎,周强,等. 一种山区峡谷桥址区风场特性数值模拟方法[J]. 振动与冲击,2019,38(16): 200-207. doi: 10.13465/j.cnki.jvs.2019.16.029 JING Hongmiao, LIAO Haili, ZHOU Qiang, et al. A numerical simulation method for wind field characteristics of mountainous valley at bridge site[J]. Journal of Vibration and Shock, 2019, 38(16): 200-207. doi: 10.13465/j.cnki.jvs.2019.16.029
[6]	李永乐,胡朋,蔡宪棠,等. 紧邻高陡山体桥址区风特性数值模拟研究[J]. 空气动力学学报,2011,29(6): 770-776. doi: 10.3969/j.issn.0258-1825.2011.06.014 LI Yongle, HU Peng, CAI Xiantang, et al. Numerical simulation of wind characteristics above bridge site adjacent a high-steep mountain[J]. Acta Aerodynamica Sinica, 2011, 29(6): 770-776. doi: 10.3969/j.issn.0258-1825.2011.06.014
[7]	胡朋,李永乐,廖海黎. 山区峡谷桥址区地形模型边界过渡段形式研究[J]. 空气动力学学报,2013,31(2): 231-238. doi: 10.7638/kqdlxxb-2011.0184 HU Peng, LI Yongle, LIAO Haili. Shape of boundary transition section for mountains-gorge bridge site terrain model[J]. Acta Aerodynamica Sinica, 2013, 31(2): 231-238. doi: 10.7638/kqdlxxb-2011.0184
[8]	张亮亮,吴波,杨阳,等. 山区桥址处CFD计算域的选取方法[J]. 土木建筑与环境工程,2015,37(5): 11-17. ZHANG Liangliang, WU Bo, YANG Yang, et al. Method of setting up the wind field of a mountain bridge site[J]. Journal of Civil, Architectural & Environmental Engineering, 2015, 37(5): 11-17.
[9]	车凯,南硕,陈敏. 严寒及寒冷地区轨道交通高大厂房风幕阻风特性研究[J]. 暖通空调,2021,51(4): 18-22. CHE Kai, NAN Shuo, CHEN Min. Study on wind-resistance characteristics of wind curtains of rail transit tall workshops in severe cold and cold zones[J]. Heating Ventilating & Air Conditioning, 2021, 51(4): 18-22.
[10]	WANG L, CHEN X X, CHEN H. Research on wind barrier of canyon bridge-tunnel junction based on wind characteristics[J]. Advances in Structural Engineering, 2021, 24(5): 870-883. doi: 10.1177/1369433220971730
[11]	ZHANG M J, LI Y L, WANG B, et al. Numerical simulation of wind characteristics at bridge site considering thermal effects[J]. Advances in Structural Engineering, 2018, 21(9): 1313-1326. doi: 10.1177/1369433217742524
[12]	CHEN X Y, LIU Z W, WANG X G, et al. Experimental and numerical investigation of wind characteristics over mountainous valley bridge site considering improved boundary transition sections[J]. Applied Sciences, 2020, 10(3): 751.1-751.23.
[13]	沈炼,韩艳,蔡春声,等. 基于谐波合成法的大涡模拟脉动风场生成方法研究[J]. 湖南大学学报(自然科学版),2015,42(11): 64-71. doi: 10.16339/j.cnki.hdxbzkb.2015.11.029 SHEN Lian, HAN Yan, CAI Chunsheng, et al. Research on generating method of fluctuating wind field of LES based on WAWS[J]. Journal of Hunan University (Natural Sciences), 2015, 42(11): 64-71. doi: 10.16339/j.cnki.hdxbzkb.2015.11.029
[14]	HU W C, YANG Q S, CHEN H P, et al. Wind field characteristics over hilly and complex terrain in turbulent boundary layers[J]. Energy, 2021, 224: 120070.1-120070.14.
[15]	吴广. 山区复杂地形下高墩多跨连续铁路钢桁梁桥的风场特性研究[J]. 铁道科学与工程学报,2019,16(1): 129-136. doi: 10.19713/j.cnki.43-1423/u.2019.01.018 WU Guang. Numerical simulation of wind field for high-pier truss girder continuous bridges at complex terrain[J]. Journal of Railway Science and Engineering, 2019, 16(1): 129-136. doi: 10.19713/j.cnki.43-1423/u.2019.01.018