本文關(guān)鍵詞：基于正分析的實時識別混合模擬試驗方法

  更多相關(guān)文章： 正分析 均勻設(shè)計 參數(shù)識別 混合試驗

【摘要】：混合模擬試驗是一種將結(jié)構(gòu)中重要的未知力學(xué)模型的部分取出作為試驗子結(jié)構(gòu)進行物理試驗,其余已知力學(xué)模型的部分在計算機中進行數(shù)值模擬的試驗方法,是一種能夠有效降低試驗規(guī)模并提高試驗效率的試驗方法。然而,隨著結(jié)構(gòu)越來越趨于復(fù)雜化、大型化,試驗子結(jié)構(gòu)的規(guī)模也不斷擴大,在現(xiàn)有試驗條件難以滿足復(fù)雜多自由度試驗子結(jié)構(gòu)加載的形勢下,簡化試驗子結(jié)構(gòu),將進入非線性的結(jié)構(gòu)部分作為計算子結(jié)構(gòu)進行實時識別的數(shù)值模擬是一項亟需解決的問題。為了使計算子結(jié)構(gòu)模型可以真實反映試驗子結(jié)構(gòu)模型響應(yīng),應(yīng)有效識別出試驗子結(jié)構(gòu)中的模型參數(shù)并更新給計算子結(jié)構(gòu)�？紤]到節(jié)點對于整個結(jié)構(gòu)的重要影響,本文以試驗子結(jié)構(gòu)節(jié)點處的未知參數(shù)為識別對象,采用正分析的思想,按改進的均勻設(shè)計方法建立識別庫,識別出試驗子結(jié)構(gòu)的未知參數(shù),實時更新給計算子結(jié)構(gòu),完成整個實時識別混合模擬過程。本文采用Matlab-OpenSEES混合編程的方法實現(xiàn)了上述實時識別混合模擬過程,并進行了大量數(shù)值模擬,將該方法應(yīng)用于一參數(shù)、二參數(shù)、三參數(shù)及四參數(shù)識別。分析識別結(jié)果可看出該方法可以有效應(yīng)用于多參數(shù)識別,結(jié)果較為穩(wěn)定且精度較高,基本不受初始假定值與峰值加速度不同的影響,具有一定的穩(wěn)定性。
【關(guān)鍵詞】：正分析 均勻設(shè)計 參數(shù)識別 混合試驗
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：P315.8
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-18
• 1.1 課題的來源8
• 1.2 課題研究的背景和意義8-9
• 1.3 國內(nèi)外的研究現(xiàn)狀9-12
• 1.3.1 擬動力抗震試驗方法的研究現(xiàn)狀9-11
• 1.3.2 結(jié)構(gòu)物理參數(shù)識別方法的研究現(xiàn)狀11-12
• 1.4 基本原理12-17
• 1.4.1 擬動力試驗的基本原理12-13
• 1.4.2 擬動力子結(jié)構(gòu)試驗基本原理13-14
• 1.4.3 擬動力試驗的試驗算法14-17
• 1.5 本文主要研究內(nèi)容17-18
• 第2章 基于正分析的混合模擬試驗系統(tǒng)18-29
• 2.1 引言18-19
• 2.2 正分析識別方法19-23
• 2.3 基于累積誤差的識別指標(biāo)23
• 2.4 基于Matlab-OpenSEES的混合編程方法23-27
• 2.5 識別系統(tǒng)操作流程27-28
• 2.6 本章小結(jié)28-29
• 第3章 基于正分析識別方法的初步驗證29-42
• 3.1 引言29
• 3.2 單參數(shù)識別29-31
• 3.3 雙參數(shù)識別31-34
• 3.4 三參數(shù)識別34-37
• 3.5 四參數(shù)識別37-41
• 3.6 本章小結(jié)41-42
• 第4章 基于正分析識別方法的變參數(shù)分析42-72
• 4.1 引言42
• 4.2 初始假定值對參數(shù)識別的影響42-50
• 4.2.1 初始假定值對兩參數(shù)識別的影響42-46
• 4.2.2 初始假定值對三參數(shù)識別的影響46-50
• 4.3 峰值加速度對參數(shù)識別的影響50-60
• 4.3.1 峰值加速度對兩參數(shù)識別的影響50-55
• 4.3.2 峰值加速度對三參數(shù)識別的影響55-60
• 4.4 針對不同模型的識別方法驗證60-71
• 4.4.1 試驗2識別結(jié)果60-65
• 4.4.2 試驗3識別結(jié)果65-68
• 4.4.3 試驗4識別結(jié)果68-71
• 4.5 本章小結(jié)71-72
• 結(jié)論72-73
• 參考文獻(xiàn)73-78
• 致謝78

，

本文編號：1058105