论文部分内容阅读
混凝土拱坝有限元动力模型的修正在结构抗震分析、健康诊断等方面有重要应用。为了及时监控结构健康状态、保障结构的安全,要求不断提高模型修正方法精度和计算速度。拱坝有限元动力模型的修正以主动监测为基础,主动监测信息数据的获取常因传感器的布置不合理而无法全面获取结构动力特征信息,有必要进行优化布置。基于振动监测进行结构模态识别是进行模型修正的另一关键步骤。在各种模态识别方法中基于优化方法的模态识别具有高精度和鲁棒性的特点,但也存在对多自由度系统容易陷入局部最优和早熟收敛的缺点。主要研究内容如下:(1)针对Fisher信息矩阵范数最大化和考虑模型误差的振型矩阵条件数最小化的矛盾;提出一种基于Fisher信息矩阵的范数结合振型矩阵条件数、模态应变能(MSE)、模态置信(MAC)优化准则的多准则混合优化的动力传感器布置方法(Shape-MSE-Fisher-MAC),通过拱坝数值模型,研究了不同优化布置准则方案对不同衡量指标和模态识别结果的影响,分析结果表明本文提出的动力传感器多准则混合优化布置方法合理有效。(2)针对智能优化算法识别多自由度结构模态存在容易早熟收敛和陷入局部最优问题,结合量子粒子群优化算法(QPSO),研究了利用系统先验知识缩小搜索空间范围和通过变分模态分解法(VMD)降低搜索空间维度的两种智能优化模态参数识别方法;结合算例,通过与传统方法的对比,分析表明两方法有效克服早熟收敛和局部最优问题,识别结果精度较传统方法频率和阻尼比高、振型识别精度低,但可以满足需要。(3)针对低模态阶数、小样本数条件下的动力模型修正方法,传统代理模型直接分析法较间接分析法精度低的问题,提出一种基于卷积神经网络(CNN)的模型修正直接分析方法;针对CNN对训练样本数量的高要求,通过对比基于相关向量机(M-RVM)直接分析和间接分析精度确定,进而形成基于M-RVM扩充数据的CNN模型修正直接分析法(M-RVM-CNN)。结合拱坝数值模型,分析结果表明M-RVM算法间接分析法更适合作为扩充训练样本数量的方法,通过对比不同修正方法及不同传感器布置方案下的模型修正精度,进一步验证了本文提出的传感器优化布置和M-RVM-CNN模型修正方法的优越性。