台风对我国东南沿海大量轻钢结构厂房造成严重破坏,造成巨大经济损失。在强风作用下,轻钢结构厂房屋面首先遭到破坏,然后雨水进入室内造成进一步破坏。现今国内关于轻钢结构厂房屋面风致易损性的研究,主要采用基于CFD模拟的数值分析法和基于风洞试验的传统可靠度方法。当轻钢结构厂房的尺寸和风环境发生变化时,需要重新建模计算或者试验,工作量巨大。本文以NIST-UWO风洞试验大量工况为样本库,采用支持向量机、随机森林、PSO-BP(Particle Swarm Optimization Back Propagation)神经网络等机器学习算法,构建一个泛化能力强的算法模型,只需要输入厂房结构参数、风场特性等简单易得的属性,即可以预测轻钢结构厂房屋面风致失效情况。本文首先采用PSO-GRNN模型(Particle Swarm Optimization-General Regrssion Nerual Network)对屋面未知点风压时程进行插值,获得屋面各处自攻螺钉所受拉力时程。之后采用区组极大值法确定自攻螺钉所受拉力的极值分布。最后在考虑屋面自攻螺钉所受拉力相关性情况下,采用蒙特卡洛随机方法得到所考虑工况的屋面板失效概率,以此作为训练轻钢结构厂房屋面易损性神经网络模型的重要样本数据。选取和厂房屋面板风致失效相关的16个属性作为三种算法输入层参数,包括厂房结构尺寸、环境因素,以及屋面板风压特性等参数。其中屋面板风压特性选取屋面风压系数均值和均方根来表征,为此,构建了两个PSO-BP神经网络,分别用于预测屋面板风压系数均值和均方根。选取屋面板失效概率作为输出层。采用PSO-BP神经网络、支持向量机、随机森林三种分类算法,利用所建立的样本库,训练了三个屋面风灾易损性模型。预测结果表明,三个模型不同程度上预测了屋面板的失效概率。其中,PSO-BP神经网络预测性能最佳,预测结果相对更稳定、准确。