钢-混π型叠合梁(以下简称π型梁)主梁断面受力简单明确,标准化施工程度高,其结构特点非常适合双索面斜拉桥。但是π型梁开口钝体外形容易产生涡激振动,涡激振动起振风速低,发生频率高,能够影响桥梁结构的安全性与行车舒适性。因此,研究π型梁的涡振性能与抑制措施具有重要的意义和价值。由于涡振的机理复杂,难以寻找统一的、系统的涡激力模型进行求解。对此,本文通过人工智能的方法,基于现有风洞试验数据和计算流体力学(CFD)数值模拟技术,采集足够的学习样本,建立人工神经网络模型,对π型梁涡激振动性能实现了人工智能识别。本文主要研究内容如下:(1)设计三种不同宽高比的π型梁节段模型,首先进行全面的涡激振动风洞试验探究。发现π型裸梁普遍存在涡激振动现象,并且多集中在+3?~+5?风攻角下。因此,选取最不利的+5?风攻角进行集中风洞试验研究,以无量纲竖向幅值、起振折算风速、涡振锁定区长度为涡振性能指标,对比分析了不同宽高比π型裸梁涡激振动性能、风嘴等涡振控制措施抑振效果,探究了双竖向涡振区的成因。风洞试验作为目前最准确可靠的涡振研究手段,所探究得出的π型梁涡振试验规律为后文提供了研究方向和可靠的学习样本。(2)利用Fluent提供的用户自定义函数,编制了基于纽马克-β法模拟π型梁竖向涡振的程序,并通过风洞试验结果对数值模拟结果进行了校核。经过校核后程序补充了π型裸梁和π型梁抑振措施的学习样本。整合风洞试验及数值模拟学习样本,以π型裸梁宽高比、开口率作为气动外形描述参数,选择风嘴和下稳定板作为抑振措施,进行涡振性能规律初探。(3)利用前文采集得到的学习样本,对不同神经网络模型进行适用性对比分析和控制参数的优化,分别建立了适用于π型梁涡振性能预测、拟合和抑振措施效果分类的人工神经网络模型。建成的模型具有一定的准确性和推广性,能够对斜拉桥π型梁的涡振性能进行快速的、准确的判断。