考虑随机效应的Clough-Penzien功率谱参数预测模型及地震动合成EI北大核心CSCD

国内外学者对典型的地震动参数(a PG,v PG,SAs,I A,Ds等)预测方程的研究不断深入,但对于表征地震动频谱特性的功率谱模型参数预测方程的研究却很少。鉴于地震动的频谱特性与震源特性、传播路径和场地条件紧密相关,该研究基于地震动传播的物理机制建立了Clough-Penizien功率谱(C-P谱)模型参数的预测模型。为了更好地描述不同地震事件不同记录之间的相关性,对模型考虑随机效应,建立了谱参数的预测随机效应模型。采用改进的随机效应一次迭代回归算法,对各类场地C-P谱模型参数的预测随机效应模型进行回归分析,确定了模型系数。结合相位谱的物理传播模型与所提出的C-P谱参数预测模型,构建了“震源-传播路径-局部场地”物理传播机制的随机函数模型。算例分析结果表明,该研究提出的谱参数预测方程模型与实际功率谱拟合较好,模拟得到的地震动记录与原始地震记录的时频特性十分接近,可以较好实现地震动记录的模拟和预测,对地震危险性、易损性和风险分析及抗震设计与评定具有重要的指导意义。     

地震动持时效应对阻尼折减系数的影响

阻尼折减系数是建筑抗震设计中确定设计地震作用的重要参数之一。该文采用简谐正弦波和25条集集地震记录,基于单自由度体系不同阻尼比水平的位移反应谱研究了有效地震动持时对阻尼折减系数影响。分析结果表明:阻尼折减系数随有效地震动持时比和简谐激励循环数的增加而减小。基于分析结果的统计平均值,通过非线性多元回归分析给出了考虑地震动持时影响的阻尼折减系数谱。     

地震动频谱特性和持时对IDA结果影响的研究

地震动记录的选择是增量动力分析的基础性工作。为了研究地震动记录的频谱特性和持时对增量动力分析结果的影响,总结了四种常用的计算地震动记录特征周期方法,建立了地震记录分组,进行了反应谱比较,以建立的地震记录分组为地震输入,结合算例进行了IDA分析,比较了IDA曲线和地震易损性曲线的差异。在此基础上,按两种地震持时原则输入进行IDA分析,分析了地震记录持时对IDA结果的影响。研究结果表明,地震记录频谱特性对IDA的数值大小和离散程度存在较大影响,足够的持时输入有助于获得稳定性好的IDA结果。     

基于BP神经网络的RC框架结构地震易损性曲面分析:考虑地震动强度和持时的影响

与短持时地震动相比,长持时地震动会加剧结构的损伤,增加结构的失效概率,因此有必要更充分地研究地震动持时特性对结构地震易损性分析结果的影响。该文提出了一种基于BP神经网络的地震易损性曲面分析方法,使用神经网络模型,综合考虑地震动强度和持时特性对结构地震需求的影响,并进行地震易损性分析,得到不同损伤水平下考虑地震动持时特性的结构易损性曲面。选用3个不同高度的钢筋混凝土框架结构为研究对象,分别选择具有长、短持时特性的2组地震动记录为输入,采用BP神经网络模型建立地震动强度指标与结构响应间的关系,在此基础上得到目标地震易损性曲面,并对该方法的有效性进行讨论。分析结果表明,研究建立的BP神经网络模型精度较高,依据该方法可得到可信的损伤概率分析结果。相比于传统方法,神经网络可以更为有效和准确地建立持时与结构损伤的相关关系,得到考虑持时特性的易损性分析结果。该文的方法亦可进一步拓展,将更多地震动特性纳入地震易损性分析过程,具有明确的应用前景。     

基于深度强化学习的拉索智能减振算法EI北大核心CSCD

为了降低振动控制算法对拉索-MR阻尼器系统动力学模型精度的依赖性,提出一种基于深度强化学习理论的无模型减振算法。该方法利用控制模块与环境之间的交互实现对拉索振动的自适应半主动控制,依据拉索特定点响应状态在线调节阻尼器施加电压,降低反馈控制要求。为验证智能控制算法的有效性,采用Galerkin法建立拉索-MR阻尼器环境模型,并以实桥拉索减振设计为例对比分析了黏滞阻尼器多模态控制、Bang-Bang控制、深度强化学习控制对拉索的风振控制效果。结果表明:在随机风荷载作用下,深度强化学习控制算法不仅能够实现对拉索的无模型振动控制,且控制效果优于黏滞阻尼器多模态控制和MR阻尼器的Bang-Bang控制。     

基于图像动态识别技术的地震动参数快速判别方法EI北大核心CSCD

随着5G时代的到来,地震过程能通过密集分布的摄像头实时记录并快速传输处理,以动态图像的形式更直观地呈现出来。如能从中快速准确的提取地震动参数等数据,将会是地震资料的宝库,弥补地震台站布置密度的不足。通过振动台模拟地震过程,结合图像识别和结构动力学分析方法,提出一种基于图像动态识别技术的地震动参数快速判别方法。通过不同摄像头高度、波形和振动频率下的计算和实测加速度曲线对比分析,多数加速度峰值误差在40%以内,证明该方法具有应用推广价值,能为将来地震动分析工作提供另一层面的解决途径。     

基于多源域深度迁移学习的机械故障诊断EI北大核心CSCD

针对不同工况下的机械故障诊断问题,迁移学习方法相比于深度学习具有明显的成效,单源域迁移故障诊断仍会出现负迁移和模型泛化能力差的问题。因此,本文提出一种基于多源域深度迁移学习的机械故障诊断方法。首先,进行锚适配器的构建,获得多源域-目标域适配器数据对。其次,建立基于深度域适应的迁移学习网络模型获得每个数据对的分类器与预测结果。最后,采用加权集成的方式进行分类器集成,用于最终的故障诊断识别。所提方法充分集成多源域故障特征信息,提取域不变特征,避免负迁移的问题,提高模型的泛化能力。通过一个滚动轴承数据来验证提出方法的性能,结果表明,多工况迁移故障诊断分类精度明显高于其中任意单一工况迁移,最高可提高8.78%,与其他方法相比,所提方法具有较好的精度和泛化能力。     

基于特征提取和谱匹配优化的区域地震动时程构建方法EI北大核心CSCD

地震的区域构造背景和传播路径有较大差异特征,因而实际观测的地震动具有显著的区域性差异。在结构动力时程分析时,虽然人工合成方法能够提供匹配设计谱的输入地震动,但是其并不能体现出地震动的区域特征。为了模拟考虑目标区域特征且完美匹配目标谱的地震动,该文提出了一种基于智能算法的地震动合成新方法。该方法应用主成分分析算法获取目标区域地震动的区域特征,由最大方差理论提取目标区域的种子地震动,再用基于粒子群算法优化的时域反应谱匹配方法调整种子地震动的反应谱,最终构造出包含区域特征和谱匹配的地震动时程。以四川地区为例验证了该方法的合理性和有效性,合成的地震动在时域和频域上均与该区域实际地震动特征一致。该文提出的方法的优点在于合成的地震动具有显著的区域特征,且与目标谱有更好的匹配效果和更高的匹配效率,可为结构动力反应分析提供考虑区域性差异、具有低不确定性的地震动输入。     

基于迁移学习与深度残差网络的滚动轴承快速故障诊断算法EI北大核心CSCD

针对现有基于深度学习的滚动轴承故障诊断算法训练参数量大,训练时间长且需要大量训练样本的缺点,提出了一种基于迁移学习(TL)与深度残差网络(ResNet)的快速故障诊断算法(TL-ResNet)。首先开发了一种将短时傅里叶变换(STFT)与伪彩色处理相结合的振动信号转三通道图像数据的方法;然后将在ImageNet数据集上训练的ResNet18模型作为预训练模型,通过迁移学习的方法,应用到滚动轴承故障诊断领域当中;最后对滚动轴承在不同工况下的故障诊断问题,提出了采用小样本迁移的方法进行诊断。在凯斯西储大学(CWRU)与帕德博恩大学(PU)数据集上进行了试验,TL-ResNet的诊断准确率分别为99.8%与95.2%,且在CWRU数据集上TL-ResNet的训练时间仅要1.5 s,这表明本算法优于其他的基于深度学习的故障诊断算法与经典算法,可用于实际工业环境中的快速故障诊断。     

空间多点人工地震动幅值收敛性研究EI北大核心CSCD

在空间相关性人工地震动生成中,计算的繁杂和局部场地收敛性与幅值收敛性之间存在的矛盾,是时域合成法中的两大主要问题。为了简化计算,同步实现局部场地及地震动幅值的双重收敛性,在对相位角分布进行深入研究的基础上,构建了空间多点人工地震动幅值收敛因子,并采用虚实分离法来分解功率谱矩阵。结果表明,该方法生成的多点人工地震动计算快速,且幅值稳定收敛。     

匹配多目标参数的地震动合成方法

地震动合成方法可为结构抗震设计和评估提供人工地震动时程,目前合成方法一般仅满足与目标谱的匹配,只考虑了地震动的频谱和幅值因素,并没有考虑地震动的持时特征.为了合成与目标区域地震动三要素相匹配的地震动时程,提出了一种应用机器学习合成地震动的方法.该方法应用基于数据驱动的主成分分析方法,从目标区域实际地震动数据库中提取用于...     

基于四川西昌中强震数据的区域地震动预测模型

为了探讨基于有限的本地数据建立区域性地震动预测模型的可行性,面向建设西部地震科学实验场的需求,基于中强震数据较丰富的四川西昌附近21次地震的1 250条地震动,分析了区域性预测模型中距离项、震源项以及场地项的特征,标定了模型系数,建立了符合西昌地区地震动特征的预测模型.结果表明:西昌地区的地震动加速度反应谱在近场短周期...     

基于深度神经网络代理模型的盾构隧道密封垫断面优化EI北大核心CSCD

合理的弹性橡胶密封垫断面形状是保障盾构隧道管片接缝防水设计性能的关键。密封垫断面优化设计时,需要反复进行材料大变形、接触分析等复杂的非线性计算,极大限制了优化效率。为此,以闭合压力与有效接触压力占比为双控目标,提出了一种结合深度神经网络代理模型的结构优化算法。在遗传算法框架下,深度神经网络代理模型可以实现由断面形状到接触应力场的快速映射。同时,迁移学习的引入实现了不同类型断面形状代理模型的知识复用,仅利用小样本即可建立高精度的接触应力预测模型,从而有效提高了闭合压力约束条件下的密封垫结构断面优化效率。     

基于非因果滤波和零点法的近断层脉冲型地震动识别方法EI北大核心CSCD

基于Butterworth非因果低通滤波器和零点法提取地震动速度时程中的脉冲信号,并以脉冲信号中的极值点数量确定滤波器的截止频率。选取666条速度峰值大于30 cm/s的近断层地震记录作为训练数据,以脉冲信号的相对能量和幅值作为量化指标,给出了单脉冲型和双脉冲型地震动的识别标准;提出了以最显著脉冲信号的持续时间为依据的脉冲周期计算方法。通过与既有方法比较表明:基于Butterworth非因果低通滤波器和零点法的脉冲提取方法的拟合效果较好,可用于提取非对称脉冲信号和双脉冲信号;提出的定量识别标准可以有效地识别单脉冲型和双脉冲型地震动;所提的脉冲周期计算方法可以用于确定单脉冲型和双脉冲型地震动的脉冲周期。     

基于MTF-CNN的轴承故障诊断研究EI北大核心CSCD

轴承故障诊断对保证机械设备的安全十分重要。近年来,数据驱动的故障诊断方法得到了研究者的关注。与传统的依赖于专家经验的故障特征提取方法不同,深度学习方法可以实现端到端自动故障特征提取与分类。针对一维信号作为卷积神经网络(convolutional neural network,CNN)输入时无法充分利用数据间的相关信息的问题,提出一种基于MTF-CNN的轴承故障诊断方法。利用马尔可夫变迁场(Markov transition field,MTF)对采集到的振动信号进行编码,根据数据之间的转移概率得到不同时间间隔内的数据相关性并生成相应特征图,之后将其输入卷积神经网络完成特征的提取并进行故障分类。采用凯斯西储大学轴承数据对模型进行验证,试验结果表明该模型达到99.8%以上的故障诊断准确率,与其他图像编码方式相比获得了较好的泛化性能。     

基于改进卷积神经网络的柴油机故障诊断方法研究EI北大核心CSCD

现有基于卷积神经网络(convolutional neural network,CNN)的柴油机故障诊断方法易过拟合,网络收敛速度较慢、处理小样本数据时诊断精度低,针对以上问题,提出了一种基于改进CNN的“端到端”柴油机故障诊断方法。该方法在CNN架构上,采用指数线性单元(exponential linear units,ELU)作为激活函数及小批量训练方法加速模型收敛,用全局平均池化(global average pooling,GAP)代替全连接层以降低过拟合风险。基于台架试验的诊断结果表明:所提方法进行柴油机典型故障诊断的精度达到99.18%;与未改进模型及现有基于CNN的柴油机故障诊断算法相比,该方法在处理小样本数据集时仍保持最高识别精度。     

基于注意力机制改进残差神经网络的轴承故障诊断方法EI北大核心CSCD

针对滚动轴承在不同工况环境中故障诊断训练时间长、准确率低和泛化性能弱的问题,提出了基于注意力机制改进残差神经网络的轴承故障诊断方法。为了提高ResNet模型的准确率和泛化性,提出了基于注意力机制的SE-ResNet模型和CBAM-ResNet模型,并在凯斯西储大学数据集上进行了试验,在同工况有训练集的情况下ResNet模型测试的准确率为97.28%,在不同工况下模型直接迁移的准确率为94.14%~96.86%,CBAM-ResNet模型在不同工况下模型直接迁移的准确率为97.14%~98.86%,SE-ResNet模型在不同工况下模型直接迁移的准确率为97.86%~99.71%,两种改进模型的准确率都明显优于原ResNet模型,表明提出的优化模型提高了ResNet模型的准确率和泛化性。     

基于GRU神经网络的结构异常监测数据修复方法EI北大核心CSCD

结构健康监测系统中通常存在大量的异常监测数据,为保证数据的完整性和可用性,有必要对异常监测数据进行修复。大多数基于深度学习对异常数据进行修复的研究通常使用单输入维度和单向预测的方法搭建模型。提出一种基于门控循环(gated recurrent unit,GRU)神经网络的结构异常监测数据修复方法,该方法充分利用深度学习神经网络适合处理复杂非线性映射问题的优势,并对GRU神经网络进行了优化与重构。利用结构温度、时序先后相关性优化神经网络的输入和输出构造,并提出了利用异常数据前后时间段的信息进行双向序列预测的方法提升数据预测和修复精度。最后,利用某古城墙的应变、裂缝与温度监测数据进行方法验证,采用重构后的GRU神经网络模型对异常数据序列进行修复,并与长短时记忆(long and short-term memory,LSTM)神经网络和反向传播(back propagation,BP)神经网络的修复精度进行比较。结果表明,相比单输入维度、单向预测的网络模型,重构后的GRU神经网络的预测精度大幅提高,且显著优于LSTM神经网络和BP神经网络。异常数据序列修复后,应变和裂缝宽度等结构响应与结构温度的线性相关性大幅增强。该方法对具有温度相关性的结构监测数据具有良好的修复能力。     

长周期地震动作用下惯容‑层间隔震结构地震响应分析EI北大核心CSCD

已有研究表明惯容系统与基础隔震技术结合使用可以减小长周期地震动下基础隔震结构的动力响应,但惯容系统对层间隔震结构控制效果与基础隔震存在差异,需要进一步研究。提出将SPIS‐Ⅱ惯容系统应用于层间隔震结构,对惯容系统进行参数设计,通过数值分析研究长周期地震动下惯容‐层间隔震结构的减震效果。结果表明:采用虚拟激励法求解结构的随机振动响应,能够快捷有效地确定惯容系统参数;惯容系统大大减少了隔震层位移,有效解决了长周期地震动下隔震层位移超限的问题,且随地震动幅值增大,位移减震率也随之提高;惯容‐层间隔震系统在很好地控制上部结构响应的同时,进一步减小了下部子结构的地震响应。     

随深度变化的地震动相干性研究

本文利用美国加州强震观测计划（CSMIP）3个台阵的在23次地震中取得的303条地震记录,系统地研究了地震动相干性在不同深度、不同场地条件、不同地震震中距情况下水平分量和竖向分量的变化规律,并提出了合理的经验相干函数模型。结果表明,综合考虑上述各种影响的相干函数模型能使得分析结果更加完善可靠。