大规模动力系统改进的快速精细积分方法

提出一种针对大规模动力系统的改进的快速精细积分方法（FPIM）。以精细积分方法为基础,利用大规模动力系统矩阵的稀疏性和动力问题的物理特性,分析了矩阵指数的特殊结构,并基于此给出一种计算大规模动力系统矩阵指数及其动力响应的高效率方法。     

各向异性超弹性的皮肤本构模型参数识别方法研究

通过力学建模方法对病人皮肤组织疾病进行诊断、评估和治疗,需要准确识别皮肤组织的力学性能。为此,提出了一种运用自适应模拟退火优化算法结合代理模型技术的皮肤组织本构参数识别方法。首先,采用有限元方法模拟皮肤单轴拉伸试验,获取不同参数组合下,皮肤组织的数值计算力学响应数据。为提高参数识别的计算效率,分别构建了响应面模型、克里金模型、椭球基神经网络3种代理模型来代替重复的仿真计算过程,并采用决定系数R²对3种代理模型的拟合精度进行校验。最后,利用自适应模拟退火优化算法,以试验曲线与数值计算曲线均方根误差最小为优化目标,通过反演识别出了与普通家猪腹肋部皮肤组织单轴拉伸试验结果最匹配的本构参数：C₁₀=0.140 1 MPa、k₁=24.51 MPa、k₂=0.496 1、κ=0.317 1、φ=13.86°。结果表明,椭球基神经网络模型更适合拟合皮肤本构模型参数与应力应变响应间的非线性关系。对比识别出的数值计算曲线与试验曲线,表明自适应模拟退火算法结合代理模型技术是识别皮肤组织各向异性超弹性本构参数的快速、可靠方法。     

基于遗传退火混合算法的弹性地基上框架结构参数识别研究

对传统的简单遗传算法(GA)进行了改进,融合模拟退火技术(SA)的思想,建立了遗传模拟退火算法(GASA)的串行结构.GA采用群体并行搜索,通过概率意义下基于\"优胜劣汰\"思想的群体遗传操作来实现优化.SA采用串行优化结构,赋予搜索过程一种时变最终趋于零的概率突跳性,避免局部极小并最终趋于全局最优.两者的结合提高了遗传算法的全局搜索能力.本文对一实验室中弹性地基上框架结构进行了逐层模态实验研究,得到了四种工况下的模态频率和振型.首先对利用GASA算法对退火参数进行了优选,SA部分中的退温参数g和扰动幅度参数η对搜索效率及全局搜索能力具有重要的影响;然后对四种工况下混凝土的弹性模量和地基的动剪模量进行了识别,并与灵敏方法识别结果进行了对比,得到了结构物理参数随着结构浇注层数的增加而上升的规律,识别得到的弹性模量比回弹法结果偏大,与结构的静模量和动模量的区别有关.以上方法及其应用对于结构的健康监控具有现实的意义.     

梁结构中裂纹参数识别方法研究

以等效弹簧模型来模拟裂纹引起的局部软化效应,将该模型同Bernoulli-Euler梁理论、模态分析方法以及断裂力学原理等结合起来,利用传递矩阵法导出含裂纹梁振动的各种边界条件下的特征方程通解。借助于特征方程,提出两种识别裂纹深度和位置参数的数值方法,最后,通过对含裂纹悬臂梁的分析说明文中方法的有效性。     

一种基于混合遗传算法优化的截断重要抽样法

针对并联系统失效概率的计算,提出一种基于混合遗传算法的截断重要抽样法.所提算法中,基于十进制编码的混合遗传算法被用来寻找并联系统最可能失效点x*和系统近似可靠度指标β.以β为半径建立以坐标原点为球心的截球,并以x*为抽样中心构造重要抽样概率密度函数,从而建立针对并联系统可靠性分析的β球截断重要抽样法.通过算例分析,比较了几种不同并联系统失效概率计算的方法,结果表明本文方法比连续顺序近似法、一次二阶矩法具有更高的计算精度,比蒙特卡洛法具有更快的收敛速度,尤其是针对小失效概率问题;与β球截断抽样法和重要抽样法相比,计算效率也进一步提高.     

露天矿边坡破坏概率计算混合遗传算法

将数值优化中的Powell法引入遗传算法中 ,提出了一种新型的混合遗传算法 ,并针对新疆雅满苏露天铁矿上盘边坡 ,提出了一种新的露天矿边坡破坏概率分析方法 ,计算结果表明本文方法准确可靠 ,克服了传统方法易陷于局部最优解的缺点。     

压电阻尼主动控制中局部应变电路补偿及其参数识别

论文（１）提出了在压电阻尼主动控制中用压电基片来补偿局部激励拉压应变增进阻尼控制的方法。本文则进一步提出用蝗电路来等效替代压电基片及相应的电路参数识别算法,从 为得更为简便。实验证明了两者的补偿效果相同。     

求解非线性方程组的混合遗传算法

非线性方程组的求解是数值计算领域中最困难的问题。大多数的数值求解算法例如牛顿法的收敛性和性能特征在很大程度上依赖于初始点。但是对于很多非线性方程组,选择好的初始点是一件非常困难的事情。本文结合遗传算法和经典算法的优点,提出了一种用于求解非线性方程组的混合遗传算法。该混合算法充分发挥了遗传算法的群体搜索和全局收敛性,有效地克服了经典算法的初始点敏感问题;同时在遗传算法中引入经典算法(Powell法、拟牛顿迭代法)作局部搜索,克服了遗传算法收敛速度慢和精度差的缺点。选择了几个典型非线性方程组,从收敛可靠性、计算成本和适用性等指标分析对比了不同算法。计算结果表明所设计的混合遗传算法有着可靠的收敛性和较高的收敛速度和精度,是求解非线性方程组的一种成功算法。     

基于时间响应函数的结构阻尼识别方法比较

研究了3种基于时间响应函数的结构阻尼识别方法, 包括对数衰减法、希尔 伯特方法和小波方法. 给出了3种方法的实现算法, 分析了对密集模态的识别能力. 构造仿真算例, 采用3种方法识别了5{\%}, 10{\%}和30{\%}噪声条件下的模态阻尼. 结果表明, 小波方法比对数衰减法和希尔伯特方法具有更好的噪声鲁棒性. 采用小波方法分析了润扬大桥结构健康监测系统获得的实测数据, 识别出了润扬大桥悬索桥前6阶模态参数, 第2阶和第3阶模态频率相差仅为0.015\,Hz. 研究表明, 小波方法具备噪声条件下密集模态的识别能力, 是工程中阻尼识别的优选方法.     

5最优化问题全局寻优的混合遗传算法

把BFGS方法作为一个与选择、交叉和变异平行的算子，嵌入到浮点编码遗传算法中，得到一种基于BFGS方法和浮点编码遗传算法的混合计算智能算法。该方法兼顾了遗传算法和BFGS方法两者的长处，既有较快的收敛速度，双能以非常大的概率求得最优化问题全局解。数值结果表明，混合方法是求解优化问题的一种有潜力的智能算法。     

瞬态热传导方程的子结构精细积分方法

对线性定常结构动力系统提出的精细积分方法,在数值精度等方面表现出极大优越性。但是当矩阵尺度很大时在数值计算与存储中将产生困难。对此,本文对瞬态热传导方程,根据子结构的概念,将结构分为若干个子结构,对各子结构分别进行指数矩阵运算并通过子结构间界面的物理量相联系,从而提高精细积分方法的计算效率。     

路面结构模量反算的遗传-模拟退火混合算法

路面结构层模量反算是路面结构无损检测与评价的基础。本文针对遗传算法和模拟退火算法各自的特点,在传统遗传算法的搜索过程中引入模拟退火算法的Metropolis接受准则,以增强算法的全局搜索能力。在此基础上,将遗传-模拟退火混合算法应用于路面结构层材料模量的反算分析。文中分别对理论数据和实测数据进行了计算,并与目前国内外已有的路面反算软件的分析结果进行了分析比较。数值结果表明,该方法具有较强的全局收敛性,数值结果稳定可靠。     

桁架结构截面优化设计的改进模拟退火算法

将模拟退火算法应用于桁架结构截面尺寸优化设计,提出若干方法改进了算法的鲁棒性、计算效率和求解精度。通过一批经典问题,同时与传统结构优化算法和遗传算法进行了比较。数值结果表明,本文的改进模拟退火算法具有很高的优化求解精度,计算效率有显著提高且优于遗传算法,有望在结构优化设计问题中发挥其特点。     

结构动力方程的精细与差分耦合时程积分法

提出一种将精细积分法与Newmark-β法耦合起来的结构动力学时程积分方法.该方法通过引入Newmark-β法的基本假设,将加速度分量从动力学方程中消去,动力学方程由二阶常微分方程组变为一阶常微分方程组,然后再用精细积分法进行逐步积分.与直接应用精细积分法相比,方程的个数可以减少一半.该文对这种方法进行了理论推导和算例验证,表明了该方法在结构动力分析中的有效性.     

翼型多目标气动优化设计方法

将数值优化软件modeFRONTIER同计算流体力学(CFD)软件相结合,对NACA0012翼型的气动性能进行优化.计算采用N-S方程作为主控方程以计算翼型气动性能,分别采用多目标遗传算法(MOGA)和多目标模拟退火算法(MOSA)作为翼型的气动性能优化算法.计算结果表明,优化后的翼型相对于优化前的翼型的气动性能有很大提高(升阻比增幅可达182%).     

结构动力方程的样条精细积分法

结合精细积分法和样条函数拟合技术的优点,提出了求解结构动力方程的一种有效方法.首先对非齐次项用三次正规化B样条函数进行拟合,然后利用正规化B样条函数形状相同、仅相差一个平移量的特点,构造了一个高效的特解求解方法.按此方法只需求出一个标准B样条项所对应的特解,然后通过时间坐标的平移并结合叠加原理,即可求出任意时刻的特解值.由于特解计算中采用数值积分的方法,避免了矩阵求逆,因而本方法具有较大的适用范围.算例结果证明了该方法的有效性.     

悬索桥颤振稳定性分析的精细时程积分法

研究精细时程积分法在悬索桥颤振稳定性分析中的应用,首先,将 气流整个作为一个系统,组集系统关于模态广义坐标的状态空间方程,然后,应用精细时程积分法计算状态的向量的时程响应,根据状态向量时程响应的对数衰减率判断系统的颤振稳定性,最后,以英国塞文悬索桥为数值算例,验证了本文方法的正确性。     

基于机器学习和遗传算法的非局部晶体塑性模型参数识别

非局部晶体塑性模型考虑了由非均匀变形引起的位错在空间上的重排, 使得其本构模型变得复杂, 可调节参数众多, 因此采用常规的“试错法”难以准确确定这些参数. 虽然遗传算法能够稳健地全局优化解决参数确定问题, 但对于非局部晶体塑性模型, 其计算成本相对较高. 为解决这一问题, 提出了一种耦合机器学习模型的遗传算法, 以有效降低计算成本. 针对含有冷却孔的镍基高温合金的拉伸响应问题, 以单拉应力−应变曲线为目标, 基于屈服应力和最终应力建立评价公式, 使得优化结果与实验尽可能接近. 在这一方法中, 机器学习模型能够通过非局部晶体塑性模型的参数来预测相应的应力值, 从而替代了遗传算法中原本需要的有限元计算过程. 为了分析本构模型参数对单拉力学响应的影响, 研究采用SHAP框架, 并通过有限元结果进行验证. 结果表明, 通过该方法可以有效获取非局部晶体塑性模型参数, 使得参数计算得到的应力−应变响应与实验结果吻合较好. 此外, SHAP框架能够提供本构模型参数的重要程度分析, 以及对屈服应力和最终应力的影响.