基于模型修正的钢管焊接结构焊缝损伤识别

摘要：本文提出了一种基于模型修正的钢管焊接结构焊缝损伤识别方法。利用从发射台骨架试验模型获取的模态参数,选择识别结果中精度较好的模态频率作为模型修正的基准频率。通过对待修正参数的灵敏度分析,运用ANSYS和MATLAB软件对有限元模型进行了修正。以实测模态和计算模态之间的误差建立一个带约束边界非线性最小二乘目标函数,将损伤识别问题转化为优化问题,并采用信赖域方法求解该优化问题。以有限元模型焊接结点单元组弹性模量的降低模拟焊缝损伤,并假定了两种损伤工况,通过对发射台骨架模型的数值仿真及试验研究,结果表明本文提出的损伤识别方法识别效果较为理想,为解决这种复杂焊接结构焊缝损伤识别问题提供了新的思路。     

基于改进高斯径向基函数响应面方法的蜂窝板模型修正

用等效板理论计算蜂窝板等效结构参数建立基准有限元模型, 对基准模型中结构参数施加摄动量建立待修正有限元模型。根据均匀设计方法将等效参数分为不同水平的参数组, 分别计算各参数组对应的模态频率响应, 然后建立基于一次式-高斯组合径向基函数(Linear-Gaussian RBF)的响应面模型。引入变异算子的改进粒子群算法修正响应面模型, 将搜索到的参数摄动量(优化解)代入待修正模型, 得到修正后模型。通过比较基准模型与修正前后模型的结构参数和模态频率响应的接近程度, 证实了修正方法的有效性。基于响应面的模型修正避免了迭代中重复调用有限元计算, 可提高分析效率。      

实测模态和结构模型同步修正的结构损伤识别方法

在基于灵敏度分析的有限元模型修正方法基础上,提出一种对实测模态和结构模型同步修正的结构损伤识别方法。即利用有损结构模态与测量噪声在时频域内的差异,以结构有限元模型为基准,对实测模态差进行小波去噪处理,再利用修正后的模态构造目标函数,进行有限元模型修正,经过迭代计算最终可识别结构的损伤。数值算例表明该方法可有效降低噪声的影响,提高损伤识别的精度。     

去噪正则化模型修正方法在桥梁损伤识别中的应用

以传统基于灵敏度分析的有限元模型修正方法为基础,提出一种结合小波去噪过程的正则化模型修正损伤识别方法.为改进模型修正方法损伤识别效果,一方面利用有损结构模态与模态噪声的波形在时频域内的差异,以结构有限元模型为基准,对实测模态差进行小波去噪处理,并利用修正后的模态构造目标函数;一方面采用正则化方法改善反问题求解的非适定性.由于从输入数据和求解过程两方面同时改善了结构损伤识别反问题的求解,因此可以有效抑制实测模态参数中噪声的影响,正确识别结构损伤.以连续梁桥模型为例的损伤识别数值模拟表明,所提出方法在保持识别算法鲁棒性、抑制噪声的同时,可有效提高桥梁结构损伤的识别精度.     

时域响应中传感器附加质量影响消除

本文提出了一种时域内的传感器附加质量影响消除方法。利用时域实测自由响应数据,通过特征系统实现算法进行模态参数识别,获得传感器附加质量影响情况下的模态参数。以实测模态参数为基准,采用信赖域和非线性最小二乘算法对考虑传感器附加质量的结构初始有限元模型参数进行识别与修正,并以修正后的有限元模型为基础预测传感器附加质量消除所引起的模态参数改变。基于振型叠加法原理建立时域内传感器附加质量影响消除的识别方程组,并结合有限元预测的模态参数改变反演传感器附加质量影响消除情况下的时域响应。通过对一个实验室两端夹支梁模型实测时域响应中传感器附加质量影响消除进行研究,对所提出的方法进行验证。     

基于模态参数及BAS-PSO优化算法的软基水闸有限元模型参数修正方法

正确合理的有限元模型对于软基水闸结构健康监测及性能评估至关重要,但水闸有限元模型参数的不确定性使得建立的水闸有限元模型难以准确地反映水闸结构真实的动力学特性,该文结合模态参数和基于天牛须搜索算法的粒子群(BAS-PSO)优化算法,提出了一种软基水闸有限元模型参数修正方法。选择对水闸模态参数影响较大的弹性模量和密度作为待修正参数,建立反映软基水闸待修正参数和模态参数之间非线性关系的基于遗传算法的支持向量回归(GA-SVR)代理模型;提出基于GA-SVR代理模型计算模态参数与水闸振动模态参数之间相对偏差最小的目标函数,构建软基水闸有限元模型参数修正的最优化数学模型;提出一种BAS-PSO优化算法来求解最优化数学模型,克服了局部最优和收敛速度慢的问题。通过软基水闸物理模型实例表明,修正的有限元模型计算的模态参数与水闸识别模态参数在数值上比较吻合,该文方法合理可靠且具有良好的可行性,可为软基水闸有限元模型参数修正提供一条新思路。     

螺栓连接框架结构的有限元模型修正

综合运用有限元仿真、试验模态测试和模型修正技术,对一个由螺栓连接的三层框架结构进行了动力学特性分析和响应预测,并对其中涉及到的相关问题进行了讨论。首先,采用不同类型单元分别建立结构的实体有限元模型、板-梁有限元模型以及三自由度集中参数模型,并进行模态计算。然后,对实际结构进行模态测试,并将三类模型的计算结果与测试数据进行对比,分析不同类型单元所建立模型的异同以及由螺栓连接的复杂性、加工装配的误差和材料参数的不准确等不确定因素对建模及计算误差所造成的影响,从而确定合理的修正参数。接着,用模态测试数据对模型参数进行修正,使得修正后的模型能够准确反映实际结构的固有频率和振型。最后,将测试获取的阻尼参数加到修正后的模型上,进行冲击激励下的响应预测,并与实际结构的测试结果进行对比,取得了满意的结果。     

基于模态试验的对接圆柱壳结构有限元模型修正EI北大核心CSCD

壳体组合结构广泛应用于船舶、土木和航空航天等工程领域。为获得精确的对接圆柱壳结构动力学模型,采用基于数学模型的响应面法对有限元模型多个参数进行优化,实现有限元模型修正。通过模态试验获得对接圆柱壳结构的试验模态参数,采用模态置信度检验模态试验结果。利用ANSYS有限元软件对结构进行有限元模态分析,提取整体模态。通过中心复合设计方法获取样本点构造多项式响应面模型,采用决定系数和均方根误差检验响应面的拟合精度。响应面模型计算结果与试验结果的误差构造目标函数,多目标遗传算法用于优化响应面参数,最终将修正后的参数代入有限元模型得到修正模型。对比修正前后的模态频率,结果表明修正后得到的有限元模态频率与实测模态频率间相对误差明显减小,进而验证了基于响应面方法在对接圆柱壳有限元模型修正中的有效性。     

环境激励下基础隔震结构的主要动力特性研究

通过对两栋基础隔震建筑在环境激励下的振动测试,运用随机子空间识别法和有理分式多项式法分别识别了结构的模态频率、振型和模态阻尼比。识别结果表明在环境激励下,基础隔震结构的基本频率远大于设计计算多遇地震工况下的基本频率;等效黏滞阻尼比很小,与未隔震结构的阻尼比相当,可以将基础隔震结构视为经典的比例阻尼系统。进一步以其中一栋为研究对象,以识别的模态参数作为修正基准,采用多目标优化的方法反演了环境激励下隔震层的实际水平等效刚度,结果表明其值为多遇地震下计算刚度取值的10.9倍。最后,基于反演的实际隔震层的水平等效刚度对结构的初始有限元模型进行了修正,并对修正后的模型进行了数值分析,分析结果与实际测试结果的对比表明修正后的模型可以更好地反映基础隔震结构在环境激励下的动力特性。     

基于应用程序交互访问技术的桥梁有限元模型修正研究

传统的有限元模型修正方法对于具有复杂多自由体系的大型桥梁结构显得束手无策,其中一个重要的原因是大型桥梁结构体系很难用有限元编程精确地表达,难以建立完整的或者缩聚的质量矩阵和刚度矩阵。该文开发了基于应用程序交互访问的有限元模型修正模式,首先在Strand7软件中建立初始的有限元模型,然后利用MATLAB建立迭代程序并调用Strand7软件,通过读写Strand7中的物理参数来更新模型,实现了大型桥梁结构有限元模型修正。该文对一座实桥进行多参考点脉冲锤击法模态试验和静载试验,基于获得的静动力试验数据和Strand7有限元模型分析结果,引入损伤函数的概念识别得到了该桥各梁的分段刚度,成功地实现了单元层次的参数识别。     

利用模态试验结果修正有限元模型的有效方法

本文在分析，比较了用有限元模型和用实验模态分析结果描述结构动态特性的优，缺点之后，引出了用实验结果作为基准来修正有限元模型的必要性。此外，文中还简要介绍和归纳了几种模型修正的有效方法。对每种方法，都给出了它的基本思路，目标函 和修正模型的求解过程，以及各阶段的主要计算公式。     

基于响应面法的结构动力学模型修正

为了获得精确的结构动力学模型,提出了响应面和优化相结合的方法。利用参数化模型和优化拉丁方试验设计获取样本点构造多项式响应面模型,最小二乘法确定多项式系数并检验响应面的拟合精度。用响应面计算结果与实验结果的误差构造目标函数,自适应模拟退火算法来优化修正响应面参数,将修正后的参数值带入有限元模型得到修正模型。以欧洲航空科技组织的基准模型GARTEUR飞机模型为算例,对比修正前后模态频率,结果表明修正后的模型在测试频段和预测频段具有良好的复现和预测能力,进而验证了基于响应面法与优化方法相结合的结构动力学有限元模型修正的有效性。     

基于试验模态的高速列车车体结构动力学模型修正研究

精确的有限元模型对于结构动态响应预测以及动态设计至关重要。利用模态试验数据,针对高速列车结构特点与动力学特性,深入分析设计空间方法选择、修正参数选择、响应面拟合和参数修正等关键问题,运用动力修正相关理论提出适合高速列车的基于试验模态车体动力学有限元模型修正方法。并运用该方法,采用模态试验数据修正高速列车车体结构的模态分析模型,频率的计算结果与试验结果的最大误差为-0.260 9%。研究验证基于模态试验数据高速列车车体动力学有限元模型的响应面修正方法的有效性。     

结构有限元模型的实验结果修正

本文在简要介绍了用实验模态分析结果修正结构有限元模型的全元素修正法后,结合一个算例演示了该方法的应用。计算和分析结果表明,经过修正的有限元模型与普通有限元模型相比能准确地反映结构的动态特性,说明了这种方法的可靠性和有限元动态模型修正的必要性。     

哈尔滨四方台斜拉桥模态参数和索力识别

桥梁的模态参数是修正有限元模型、识别损伤及桥梁状态评估的重要参数。动力测试是获得模态参数的必要途径。建立了哈尔滨四方台大桥的有限元模型;利用8个力平衡加速度传感器采用分组测试的方式测试了桥面加速度,利用压电传感器测试了斜拉索的加速度;联合NExT法和ERA法进行了斜拉桥模态参数识别,并将识别结果与有限元模型的计算结果进行了对比分析;采用拉索基频的频差拟合识别法进行频率及索力识别,并进行了实测索力与设计索力的对比分析     

基于Kriging模型和分层模型修正技术的结构边界条件识别

为得到能够准确反映结构装配关系的有限元模型边界条件，结合Kriging模型和分层模型修正技术，提出了一种结构边界条件识别方法。为削弱材料参数误差对边界条件识别的影响和改善修正不适定，利用实测自由模态频率，修正有限元模型的材料参数；以修正后的模型为基础进行边界条件识别，通过灵敏度分析确定模型的待修正边界参数，采用拉丁超立方抽样(Latin hypercube sampling, LHS)进行试验设计，并以实测约束模态频率与Kriging模型预测频率的差值最小为目标函数，利用粒子群算法求解最优参数。某包装机械摇臂连杆结构的试验结果表明，与传统的边界条件识别方法相比，所提方法具有较好的识别效果，识别得到的边界参数、结构响应等与实际结构具有较好的一致性。     

基于环境振动测量值的悬索桥结构动力模型修正

以主跨1385米的江阴长江公路大桥为背景，研究利用环境振动测量值进行悬索桥结构有限元模型修正的可行性。采用的模型修正方法以结构特值灵敏度分析为基础，通过迭代求解二次规划问题修正有限元模型参数。根据江阴长江公路大桥的设计图纸建立悬索桥三维有限元模型固有振动分析。同时利用大桥现场环境振动测量值得到一组结构实测模态参数，用以作为有限元模型修正的基准，根据结构特征值灵敏度分析结构选择了一组待修正结构参数并予以修正，修正后有限元模型的动力特征更加趋近于环境振动实测值，最后指出了模型修正不能完全消失大桥结构理论－实测频率差的可能原因。     

基于有限元模型修正的土木结构损伤识别方法

基于有限元模型修正的结构损伤识别方法计算过程直观、物理意义明确,能同步识别结构损伤位置和损伤程度,是结构损伤评估最直接的依据。该文介绍了基于有限元模型修正的损伤识别方法基本原理与过程,总结近三十年来有限元模型修正技术的发展。土木工程结构模型复杂性(包含大量单元、节点、待修正参数等)导致有限元模型修正过程效率低,详细介绍了基于子结构有限元模型修正的土木工程损伤识别方法在提高计算效率方面的优势。将两种有限元模型修正方法应用于一栋超高层建筑数值模型的损伤识别,说明两类方法在土木结构损伤识别中的特点。土木工程尺度大而结构损伤通常发生在局部区域,子结构方法将整体结构的分析转换为对若干独立子结构的分析,通过少数局部子结构的模型修正实现损伤识别,避免重复分析大尺寸整体结构,为大型结构基于有限元模型修正的损伤识别开辟高精度和高效率的途径。     

基于结构加速度误差最小化的声学预测模型修正

针对FEA（有限元分析）声学预测方法,提出了基于结构加速度响应误差最小化的声学预测模型修正方法。以模态迭加法为基础,结合模态应变能模态阻尼识别和频域载荷识别原理,重构了FEA声学预测模型,通过遗传算法优化结构损耗因子,使结构加速度响应计算值与实验值误差最小化,从而识别系统模态阻尼比及激励力,实现对声学预测模型参数的修正。将该方法与传统计算方法预测结果对比,结果表明：该方法可以精确识别系统模态阻尼和激励力,提高模型预测精度。     

环境激励下基于快速贝叶斯FFT的实桥模态参数识别

近年来,贝叶斯理论逐步应用于工程结构的模态参数识别、有限元模型修正及状态评估等方面。基于快速贝叶斯FFT的模态参数识别方法是针对某一共振频率带的单个模态,通过一个四维的数值优化问题得到模态参数的最佳估计,并通过对数似然函数关于模态参数的二阶导数求得Hessian矩阵,使得基于贝叶斯的参数识别方法可以快速高效地进行。为了评估该方法在实际桥梁结构模态参数识别应用中的可行性及优越性,运用快速贝叶斯FFT方法对环境激励下一刚构-连续组合梁桥的竖向加速度响应进行了分析处理,识别了其模态参数的最佳估计,并根据模态参数的变异系数评估了其后验的不确定性。识别结果与随机子空间识别结果的对比表明,两种方法识别的频率和振型基本吻合,阻尼识别结果的差异仍然较大。