《结构力学》骨干教师培训.ppt

研讨内容 关于变形体虚功原理 关于实验结构力学 精细化分析与模型修正 （限于时间无法研讨，但PPT包含此内容） 钢“桁架”模型参数修正初步结果 钢“桁架”模型参数修正初步结果 钢“桁架”模型参数修正初步结果 好格子点法构造均匀设计表 中心化L2偏差： (1) 均匀设计 以神经网络为主的人工智能算法 人工神经网络： 并行、分布处理结构； 一个处理单元的输出可以被任意分支，且大小不变； 处理单元完全的局部操作； 输出信号可以是任意的数学模型信息。 以神经网络为主的人工智能算法 其中：Δwij(t) 和 Δwij(t-1) 为t 和 t-1 时刻联接强度增量；δi 为第 i 个神经元在 t 时刻的负梯度，β 为动量系数，α为学习率。 (2) (3) 有关公式： 以神经网络为主的人工智能算法 权值初始化 error=ε+1 n=0 errorε or nmax 网络向前传输 计算error 和 n=n+1 识别参数 利用δ规则修正权值矩阵 网络训练完毕 实测信息 图4. 利用BP算法训练网络 否 是 在神经网络基础上辅以小波、遗传、智能向量机等人工智能算法，以改进识别结果。 钢“桁架”静载实验 实验目的和内容 目的：通过对实际结构的修正来验证正分析的有效性 内容：通过施加集中力的方式获得模型关键部位的挠度和应变，为模型参数修正做准备。 图5. 实验模型照片 实验环境 长×宽×高=3 m×0.8 m×0.5 m； 两端简支，安装在一台500 kN压力实验机上； 分配梁：长1.1 m的加肋工字钢； 分配梁与模型之间利用球型钢铰传力，实现集中加载。 钢“桁架”静载实验 实验目的和内容 目的：通过对实际结构的修正来验证正分析的有效性 内容：通过施加集中力的方式获得模型关键部位的挠度和应变，为模型参数修正做准备。 试验加载装置 一台型号YG100-70-150，作动力≤ 25 MPa，行程0～150mm ; 活塞杆推进对应圆截面直径100mm；活塞杆收回对应圆环截面内外直径分别为70 mm和100 mm的液压千斤顶 。 两个型号 BK-4，量程 20 t的力传感器。 测量仪器 一台型号江苏东华DH3815N-2静态采集系统。 四台灵敏度1με，精度5% ±3με静态应变仪。 16个型号为YHD-50数显百分表(200με/mm)量程为50 mm。 钢“桁架”静载实验 测点布置 图6. 测点布置位置 钢“桁架”静载实验 测点布置 B1~B5代表竖向位移的测点位置； S1~S5代表选取的应变截面位置： 在靠近模型跨中节间的3根杆件选取了5个截面，5个截面分别位于沿杆长的1/4和3/4处，每个截面均粘贴3个应变片，共计15个应变测点，然后采用灵敏度为1με的静态应变仪采集15个应变测点的应变； 右上角的大样图描述了应变片在各个测量截面的粘贴位置。 钢“桁架”静载实验 实验步骤 在模型试验前，测试模型所用材料的弹性模量E和构件的实际尺寸； 利用液压千斤顶，逐级加载至60 kN, 记录应变和位移； 卸载，等待仪器读数归零； 多次重复上述步骤，并比较各次测量结果的稳定性和结果是否成比例。 图7. 实验流程图 钢“桁架”静载实验 获得了大量实测数据 钢“桁架”模型参数修正初步结果 待修正模型的因素： 右端支座存在偏心 未知的节点刚度 l1 l2 l3 A1,I1 A2,I2 A3,I3 1 2 用变截面杆模拟各杆件 置信区间估计 实测数据是一随机样本，由于样本数较少，仅用均值代表样本特征有缺陷，为此用置信区间估计代替。 基于概率与数理统计，设总体服从正态分布时，对于期望μ，其置信概率为1-α的置信区间为 样本统计均值 样本标准差 t分布 样本总数 (4) 钢“桁架”模型参数修正初步结果 所做过的工作——教训 总计21根杆件，假设杆两端的α、γ、κ相同，则总计有63个因素，再加一个右支座的偏心，总因素为64个； 根据前面介绍的均匀设计表和使用表生成知识，生成64因素的均匀设计(全因素)表并用它安排了试验计算和网络训练； 用“嵌套”方案进行均匀设计，进行了试验计算和网络训练； 分主次两级进行了均匀设计和网络训练。 由于考虑了“全部”因素，用挠度和杆件应变作指标区间识别结果很好，误差很小； 但是，构造相同的同类杆件识别出来的α、γ、κ差别非常大，显然无法解释； 究其原因，问题出在反问题的解答非唯一和均匀设计的均匀性； 应该考虑因素之间并非完全独立的，它们之间存在一些“约束”条件——同类杆件变刚度因素应该是相近的。 实验装置的改进设计 部分设计元件照片 横梁固定支座：可作为固定端支座和固定铰支座 固定端支座 固定铰支座 固定铰支座效果 （另一端悬空）