在高层建筑设计中,圆形柱体和矩形柱体体是应用最为广泛的结构,由于柱体结构对于风载荷的敏感性,风振效应成为了高层建筑结构设计过程中必须要考虑的一项重要问题。在高速风载荷作用下,圆形柱体和矩形柱体体的绕流流场变化规律成为了土木工程以及力学、结构工程等相关领域重点关注的研究课题之一。论文利用梯度光滑法与计算流体力学结合的GSM-CFD算法对二维圆形柱体和矩形柱体绕流问题进行了数值模拟,并利用Python语言结合Tensorflow系统进行人工神经网络程序的编辑。利用柱体绕流各项参数的模拟结果建立数据组并对其进行神经网络的训练,以达到对不同条件下二维柱体绕流流场参数预测的目的,主要包括以下几个方面:首先,建立了二维圆形柱体绕流模型,利用计算流体力学和梯度光滑法相结合的GSM-CFD算法对圆形柱体绕流问题进行了数值仿真,分析了圆形柱体直径以及雷诺数对升力系数、阻力系数和斯特劳哈尔数等相关参数的影响规律。将数值模拟的结果与文献中的结果进行了对比,验证了GSM-CFD算法在大尺度柱体绕流分析方面的准确性和稳定性。其次,基于GSM-CFD算法对不同宽厚比、不同尺寸和不同流场攻角情况下矩形柱体绕流问题进行了数值模拟与分析仿真,得到了二维矩形柱体绕流的升力系数、阻力系数以及斯特劳哈尔数等相关参数随雷诺数、宽厚比以及流场攻角的变化特性,并进一步分析了不同雷诺数、宽厚比以及流场攻角对二维矩形柱体绕流中的振幅及频率变化规律的影响,将数值模拟所得到的阻力系数随宽厚比的变化曲线与相关文献的结果进行了对比,验证了数值模拟的准确性和可靠性。最后,建立了二维矩形柱体绕流的阻力系数预测的神经网络模型,结合阻力系数在不同宽厚比下随流场攻角的变化,对不同宽厚比和不同流场攻角情况下的矩形柱体绕流的阻力系数进行人工神经网络训练,并利用训练后的神经网络模型对矩形柱体绕流阻力系数进行预测,得到了不同宽厚比下阻力系数随流场攻角变化的神经网络预测曲线。将神经网络预测结果和数值模拟结果进行对比,验证了神经网络预测的正确性。