【摘要】：本文首先在回顧橋梁顫振基本理論及顫振導(dǎo)數(shù)識別方法發(fā)展歷程的基礎(chǔ)上,對顫振導(dǎo)數(shù)識別問題的研究現(xiàn)狀進行了總結(jié)。接著根據(jù)目前研究工作中的空白,本文以二維剛性節(jié)段模型風(fēng)洞試驗為基礎(chǔ),對比了借助三種常用湍流模型得到的顫振導(dǎo)數(shù)的精度,得到了對Π型斷面計算精度較高的湍流模型。在此湍流模型的基礎(chǔ)上,建立了Π型斷面顫振導(dǎo)數(shù)的數(shù)據(jù)庫,同時研究了Π型斷面幾何參數(shù)對顫振導(dǎo)數(shù)的影響規(guī)律。以此數(shù)據(jù)庫為基礎(chǔ),首次建立了采用神經(jīng)網(wǎng)絡(luò)預(yù)測Π型斷面顫振導(dǎo)數(shù)的方法,為橋梁初步設(shè)計階段顫振導(dǎo)數(shù)的快速獲取提供了新的途徑。本文主要研究內(nèi)容及結(jié)論如下:(1)以顫振導(dǎo)數(shù)的節(jié)段模型風(fēng)洞試驗結(jié)果為基礎(chǔ),對比了分別采用RNG6)-模型、SST6)-模型和RSM計算獲取的顫振導(dǎo)數(shù)的精度,并對比分析了由三種湍流模型得到的斷面流線圖,證明RSM對Π型斷面顫振導(dǎo)數(shù)的數(shù)值計算更為適用。(2)在數(shù)值計算中采用RSM獲取了寬高比=6~13和尺寸系數(shù)=1.1~1.3的Π型斷面顫振導(dǎo)數(shù),初步建立了顫振導(dǎo)數(shù)的數(shù)據(jù)庫。同時基于這些數(shù)據(jù)研究了這兩個幾何參數(shù)對顫振導(dǎo)數(shù)的影響,并基于流線圖研究了主漩渦的變化規(guī)律。(3)以顫振導(dǎo)數(shù)的數(shù)據(jù)庫為基礎(chǔ)訓(xùn)練神經(jīng)網(wǎng)絡(luò),并成功預(yù)測了Π型斷面的顫振導(dǎo)數(shù)。在采用多種誤差評價方法的基礎(chǔ)上,證明了神經(jīng)網(wǎng)絡(luò)的預(yù)測精度達到了令人滿意的效果。這一方法有利于提高橋梁初步設(shè)計階段顫振導(dǎo)數(shù)和顫振臨界風(fēng)速估算工作的效率。通過比較發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)比RBF神經(jīng)網(wǎng)絡(luò)對此類非線性效應(yīng)顯著的問題具有更強的適應(yīng)性。
【學(xué)位授予單位】：長安大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：U441.3
【圖文】：

圖 2.1 具有兩個隱含層的 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)網(wǎng)絡(luò)的相鄰兩個層之間的每個神經(jīng)元都互相連接，而同一層由于含有多個隱含層的 BP 神經(jīng)網(wǎng)絡(luò)能夠產(chǎn)生更加復(fù)雜和多輸入信號中提取出的信息更豐富，因而增加隱含層數(shù)比增加理非線性問題能力的提高效果更明顯。BP 神經(jīng)網(wǎng)絡(luò)的內(nèi)置模型出模型為： = ∑ 輸出模型為： = ∑ 為非線性作用函數(shù)， 為單元閾值[36]。模型

圖 2.2 Log-Sigmoid 函數(shù)圖形 圖 2.3 Tan-Sigmoid 函數(shù)圖形可見，Sigmoid 函數(shù)圖形是光滑的曲線，在處理分類問題時，它比線性函數(shù)的精度高，同時具有較好的容錯性。它將以整個實數(shù)域為取值范圍的輸入信號映射到(0,1)或者(-1,1)。在坐標(biāo)原點附近，輸入信號的絕對值較小，而函數(shù)的輸出值大于輸入值，此時Sigmoid 函數(shù)對輸入信號具有放大作用；當(dāng)輸入信號的絕對值逐漸增大時，Sigmoid 函數(shù)的放大作用逐漸減小。3. 誤差計算模型為評估神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的誤差，引入誤差計算公式： = ∑ (2.49)式中， 為神經(jīng)網(wǎng)絡(luò)期望輸出值， 為神經(jīng)網(wǎng)絡(luò)實際輸出值。4. 自學(xué)習(xí)模型神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣 的誤差修正過程被稱為學(xué)習(xí)。BP 神經(jīng)網(wǎng)絡(luò)有導(dǎo)師的學(xué)習(xí)方式

圖 2.2 Log-Sigmoid 函數(shù)圖形 圖 2.3 Tan-Sigmoid 函數(shù)圖形可見，Sigmoid 函數(shù)圖形是光滑的曲線，在處理分類問題時，它比線性函數(shù)的精度高，同時具有較好的容錯性。它將以整個實數(shù)域為取值范圍的輸入信號映射到(0,1)或者(-1,1)。在坐標(biāo)原點附近，輸入信號的絕對值較小，而函數(shù)的輸出值大于輸入值，此時Sigmoid 函數(shù)對輸入信號具有放大作用；當(dāng)輸入信號的絕對值逐漸增大時，Sigmoid 函數(shù)的放大作用逐漸減小。3. 誤差計算模型為評估神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的誤差，引入誤差計算公式： = ∑ (2.49)式中， 為神經(jīng)網(wǎng)絡(luò)期望輸出值， 為神經(jīng)網(wǎng)絡(luò)實際輸出值。4. 自學(xué)習(xí)模型神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣 的誤差修正過程被稱為學(xué)習(xí)。BP 神經(jīng)網(wǎng)絡(luò)有導(dǎo)師的學(xué)習(xí)方式

【參考文獻】

相關(guān)期刊論文 前7條

1 費金龍;韓濤;鄒威;祝躍飛;;一種基于混合模型WRC的流量預(yù)測方法[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2015年05期

2 祝志文;夏昌;;基于兩種湍流模型的橋梁顫振導(dǎo)數(shù)識別研究及比較[J];湖南大學(xué)學(xué)報(自然科學(xué)版);2010年11期

3 祝志文;顧明;陳政清;;基于3211多階躍激勵CFD模型的顫振導(dǎo)數(shù)識別研究[J];振動工程學(xué)報;2008年01期

4 許福友;陳艾榮;;全橋氣彈模型顫振導(dǎo)數(shù)識別[J];土木工程學(xué)報;2007年07期

5 陳政清;胡建華;;橋梁顫振導(dǎo)數(shù)識別的時域法與頻域法對比研究[J];工程力學(xué);2005年06期

6 李喬,楊興旺;橋梁主梁斷面空氣力學(xué)特性分析的人工神經(jīng)網(wǎng)絡(luò)方法[J];中南公路工程;2000年03期

7 李明水，賀德馨，李會知;橋梁節(jié)段模型顫振導(dǎo)數(shù)的確定[J];工程力學(xué);1995年01期

相關(guān)會議論文 前1條

1 曹曙陽;;計算流體力學(xué)在風(fēng)工程中的應(yīng)用[A];第十四屆全國結(jié)構(gòu)風(fēng)工程學(xué)術(shù)會議論文集（上冊）[C];2009年

相關(guān)博士學(xué)位論文 前2條

1 唐煜;流線型箱梁斷面非線性自激力與非線性顫振響應(yīng)研究[D];西南交通大學(xué);2015年

2 惠冰;瀝青路面車轍破壞模式識別、多維度指標(biāo)評價與預(yù)測研究[D];長安大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 陳帥宇;基于CFD的自由耦合振動法計算橋梁顫振臨界風(fēng)速[D];長安大學(xué);2017年

2 李仁鑫;交錯布局下輕型可移動雙坡房屋群表面風(fēng)壓特性研究[D];長安大學(xué);2016年

3 劉研;基于螢火蟲算法和RBF神經(jīng)網(wǎng)絡(luò)的高速公路交通流預(yù)測[D];長安大學(xué);2016年

4 張斐;橋梁斷面顫振導(dǎo)數(shù)識別方法研究及MATLAB實現(xiàn)[D];長安大學(xué);2016年

5 張悅;基于數(shù)值模擬的π形主梁斷面顫振導(dǎo)數(shù)研究[D];長安大學(xué);2015年

6 鄧小龍;基于PC Newmark-β法的流固耦合渦激振動數(shù)值模擬[D];浙江大學(xué);2015年

7 馬潤田;大跨鋼管桁架結(jié)構(gòu)風(fēng)荷載數(shù)值模擬與健康監(jiān)測研究[D];蘭州理工大學(xué);2014年

8 高偉;斜風(fēng)作用下大跨度橋梁顫振導(dǎo)數(shù)研究[D];西南交通大學(xué);2013年

9 洪光;基于Fluent軟件采用自由振動法識別大跨度橋梁的顫振導(dǎo)數(shù)[D];長安大學(xué);2012年

10 任娜;桁架橋梁顫振導(dǎo)數(shù)的影響因素研究[D];長安大學(xué);2010年

本文編號：2788760