在计算流体力学(CFD)领域，湍流模拟一直是核心挑战之一。湍流是一种高度复杂的三维非定常流动现象，其特征是多尺度涡旋结构和能量级串。对于工程应用而言，直接数值模拟(DNS)虽然能够精确求解所有尺度的湍流运动，但其计算成本极高，难以应用于实际工程问题。大涡模拟(LES)虽然比DNS经济，但仍需要相当大的计算资源。因此，基于时间平均的雷诺平均纳维-斯托克斯(RANS)方法成为工程湍流模拟的主流方法。R

计算流体力学（CFD）是现代风工程研究的核心工具，通过数值方法求解流体运动的基本方程，实现对复杂风场的精确预测。本主题系统介绍CFD的基本原理和数值方法，包括控制方程的离散化、湍流模型、边界条件处理、网格生成技术等核心内容。通过Python程序实现简单的CFD求解器，演示流场计算的基本流程，帮助读者建立CFD数值模拟的理论基础和编程能力。计算流体力学；CFD；Navier-Stokes方程；有限体

实际风荷载往往具有显著的非平稳特性，特别是在台风、雷暴等极端天气条件下。本教程系统介绍非平稳随机过程的理论基础、时变功率谱密度、演变谱理论以及非平稳风荷载的模拟方法，包括乘积模型、滤波器模型、小波变换方法和时频分析方法。通过详细的Python数值算例，演示非平稳风荷载的生成、时频特性分析和结构响应计算，为极端风况下的结构风振分析提供完整的技术指南。关键词：非平稳随机过程；演变谱；时变功率谱；乘积模

迁移学习（Transfer Learning）是一种机器学习方法，它将从一个任务或领域学习到的知识应用到另一个相关但不同的任务或领域。在结构健康监测中，迁移学习可以有效解决数据稀缺和模型泛化问题。核心思想：在结构健康监测中，迁移学习的必要性体现在：数据稀缺问题成本问题泛化问题域（Domain）：D={X,P(X)}D = \{X, P(X)\}D={X,P(X)}任务（Task）：T={Y,f(X

数据不动模型动”- 在不共享原始数据的前提下，通过在各个数据拥有方（客户端）本地训练模型，并仅交换模型参数或梯度信息，来协同训练一个全局模型。联邦学习由Google在2016年首次提出，最初应用于移动键盘输入预测，随后迅速扩展到各个领域，包括医疗健康、金融风控，以及本文关注的结构健康监测领域。"""损伤检测神经网络模型"""nn.ReLU(),nn.ReLU(),nn.ReLU()"""FedPr

结构健康监测（SHM）系统在实际部署中经常面临一个核心挑战：数据稀缺性。与图像识别或自然语言处理等领域不同，土木工程结构：传统深度学习方法通常需要大量标注数据才能取得良好性能，这在SHM领域往往难以满足。元学习（Meta-Learning），又称"学会学习"（Learning to Learn），为解决这一问题提供了新思路。元学习的核心思想是：让模型学会如何快速学习。与传统机器学习不同，元学习：在

迁移学习（Transfer Learning）是机器学习领域的重要分支，它利用源域（Source Domain）的知识来帮助目标域（Target Domain）的学习任务。在结构健康监测（Structural Health Monitoring, SHM）领域，迁移学习具有重要的应用价值：数据稀缺性问题结构健康监测面临的最大挑战之一是标注数据的稀缺性。获取结构损伤数据需要：迁移学习通过利用其他相关

min⁡wFw∑k1KnknFkwwmin​Fwk1∑K​nnk​​Fk​wwww：模型参数KKK：客户端数量nkn_knk​：第kkk个客户端的数据量n∑k1Knkn∑k1K​nk​：总数据量FkwF_k(w)Fk​w：第kkk个客户端的本地损失函数Fkw1nk∑i∈Dkℓw;

联邦学习（Federated Learning，FL）是一种分布式机器学习范式，它允许多个参与方在不共享原始数据的情况下协作训练机器学习模型。这一特性使其特别适合结构健康监测领域，因为：联邦学习为结构健康监测带来以下优势：联邦学习系统通常包含以下组件：联邦平均是最基础的联邦学习算法，其核心思想是：θt+1=∑k=1Knknθt+1k\theta_{t+1} = \sum_{k=1}^K \frac

随着结构健康监测系统中传感器数量的激增和数据采集频率的提高，传统的云计算架构面临着带宽瓶颈、延迟过高和隐私安全等挑战。边缘计算与雾计算作为新兴的计算范式，通过将计算能力下沉到网络边缘，为结构健康监测提供了低延迟、高效率、强隐私的解决方案。本主题系统介绍边缘计算与雾计算的基本概念、架构特点、关键技术及其在结构健康监测中的应用。重点阐述边缘智能算法、雾层协同计算、数据预处理与压缩、以及边缘-雾-云协同