考虑流固耦合的近海风电支撑体系自振特性分析

近海风电支撑结构的自振特性是此类结构抗震设计的基础.以某海上风电场1.5MW风电基础支撑体系为背景,考虑流固耦合效应,采用有限元方法对近海风电支撑体系的自振频率和振型进行了计算分析.文中首先将单桩无水工况的数值结果与解析结果做了比较,验证了本文有限元模型的准确性.在此基础上,分单桩有水、单桩无水、四桩有水和四桩无水四种工况进行了支撑体系的自振特性分析,给出了前十阶自振频率和振型,探讨了势流体水层对近海风电支撑体系自振特性的影响.结果表明:水层的存在对单桩体系的前两阶自振频率以及四桩体系的前四阶自振频率影响甚小;总体而言,水层对单桩体系三阶以后的自振频率的影响要明显大于对四桩体系五阶以后的自振频率的影响;本文选取的近海风电支撑体系的各阶频率均能有效避开马达转动频率和叶轮扫略频率.     

高超声速飞行器助推段弹道快速计算方法

为提高机动发射高超声速飞行器助推段弹道计算速度和精度,提出一种联合BP神经网络和Levenberg-Marquardt(L-M)算法实现弹道精确快速计算的方法。首先综合考虑各项约束条件设计了助推段飞行程序和弹道优化模型;其次采用BP神经网络方法推导了发射点及终端入轨点状态量与弹道参数的映射关系;最后建立了基于BP神经网络和L-M算法的联合数值寻优计算模型,并采用联合算法对高超声速飞行器助推段弹道进行优化计算。仿真结果表明,基于BP神经网络和L-M方法的联合算法能够快速和高精度地完成机动条件下的高超声速飞行器助推段弹道计算,其终端高度、速度和弹道倾角的入轨精度可分别达到2 m、0.1 m/s、0.01°,并且弹道计算耗时在3 s以内。     

CONSTITUTIVE MODEL OF ARTIFICIAL FROZEN SOIL BASED ON CASCADE-CORRELATION NEURAL NETWORK

为解决BP (back propagation) 神经网络收敛速度慢,网络结构需事先定义等缺点,采用了级连相关神经网络模型来建立人工冻土应力和应变之间的关系. 基于该模型推导了冻土的一致刚度矩阵形式,利用人工冻土三轴试验数据对神经网络模型进行训练,并用其替换有限元计算中的传统本构模型,将计算结果与性质及含水率相同的冻土的试验结果进行了对比,发现该神经网络本构模型很好地反应了材料的非线性,能够改善数值计算结果,与实测结果吻合地很好,比具有相同隐含层神经元个数的BP 模型更接近实测结果.     

基于BP神经网络算法的断裂参数预测

采用BP神经网络算法预测断裂参数J和A2.将三点弯曲试件有限元数值实验结果作为神经网络的训练样本,经过训练得到拓扑结构为4-25-2的BP网络模型.建立了J-积分、约束参数A2这二者与裂纹尺寸、裂纹尖端附近三个应变值之间的非线性映射.结果表明:应用BP网络时,只要选取适当的传递函数、训练函数、隐含层数目、神经元个数、学习速率就可以得到较好的预测,满足应用要求.     

透明陶瓷夹层结构冲击响应及BP神经网络预测

首先，选择以蓝宝石陶瓷为迎弹层、二氧化硅无机玻璃和聚碳酸酯有机玻璃为吸能层和聚氨酯为胶结材料的透明夹层结构为研究对象，采用一级轻气炮对试样进行了冲击实验，试样呈现陶瓷层弯曲失效破坏主导和冲击压缩破坏主导的2种破坏模式，通过高速摄像详细记录裂纹动态扩展过程。然后，采用Abaqus有限元软件对多组结构层厚度配比的透明夹层结构进行120、150、180 m/s速度的弹体冲击模拟，针对陶瓷材料引入了基于JH-2本构模型的子程序，并结合单元删除法，对裂纹扩展和碎片飞溅过程进行了数值模拟。模拟结果与实验结果吻合较好。最后，采用BP神经网络算法对冲击点后侧位移峰值进行了预测，单层和多层神经网络模型平均计算耗时分别为1和3 min，与位移峰值的数值模拟结果相比，2种神经网络模型预测结果的平均相对误差分别为7.6%和3.2%。该BP神经网络模型计算时效和精度都满足要求，相比传统消耗5 h的有限元计算，节省大量时间，可对透明夹层结构的设计提供指导。     

基于灰色BP神经网络的陀螺电机状态预测

陀螺电机状态直接影响惯导系统的精度和可靠性,对其进行预测是惯导系统性能评估和寿命预测的重要途径。利用灰色理论的建模预测方法对随机性较大的数据预测精度不高;BP神经网络模型的预测方法具有良好的非线性和自学习能力,但训练效率不高且训练效果受样本数影响较大,网络容易限于局部最小值。针对陀螺电机状态特征参数的特点,本文提出一种基于灰色BP神经网络的混合模型。该模型利用BP神经网络对灰色模型误差进行建模,模型输出返回灰色模型进行输入修正。利用灰色理论、BP神经网络以及混合模型对状态特征参数进行建模和预测,结果表明,混合模型的预测误差比灰色模型减小了约2／3,比神经网络减小了约1／3,证明了该模型的有效性。     

基于级连相关神经网络的人工冻土本构模型1）

为解决BP (back propagation)神经网络收敛速度慢,网络结构需事先定义等缺点,采用了级连相关神经网络模型来建立人工冻土应力和应变之间的关系。基于该模型推导了冻土的一致刚度矩阵形式,利用人工冻土三轴试验数据对神经网络模型进行训练,并用其替换有限元计算中的传统本构模型,将计算结果与性质及含水率相同的冻土的试验结果进行了对比,发现该神经网络本构模型很好地反应了材料的非线性,能够改善数值计算结果,与实测结果吻合地很好,比具有相同隐含层神经元个数的BP模型更接近实测结果。     

基于级连相关神经网络的人工冻土本构模型

为解决BP(back propagation)神经网络收敛速度慢,网络结构需事先定义等缺点,采用了级连相关神经网络模型来建立人工冻土应力和应变之间的关系.基于该模型推导了冻土的一致刚度矩阵形式,利用人工冻土三轴试验数据对神经网络模型进行训练,并用其替换有限元计算中的传统本构模型,将计算结果与性质及含水率相同的冻土的试验结果进行了对比,发现该神经网络本构模型很好地反应了材料的非线性,能够改善数值计算结果,与实测结果吻合地很好,比具有相同隐含层神经元个数的BP模型更接近实测结果.     

复杂承载钢结构模态参数识别与综合性能评价

提出了根据动力特性试验识别结构的模态参数,运用优化算法修改动力有限元模型,进而评价复杂承载钢结构练合性能的方法.针对复杂承载钢结构的结构特点和激振形式,推导了模态参数识别公式;介绍了有限元模型动力修正的一阶搜索优化算法.利用近似平稳随机激励,对井架钢结构进行了现场模态试验,识别出前三阶固有频率和前二阶振型,分析了该结构的实际运行状况.仅依据前二阶固有频率,应用一阶搜索的优化算法,对动力有限元模型进行了修正,重分析表明:该修正模型实现了前三阶固有频率和应力特征的精确反演,能够用于进一步的静、动力分析和综合性能评价.     

机抖激光陀螺动力学分析及优化设计

利用有限元分析软件ANSYS,建立了机抖激光陀螺有限元模型并进行了模态分析和随机振动分析,通过与试验结果对比,验证了模型的合理性和精确性,指出了现有结构的薄弱环节。利用灵敏度分析技术分析了安装盒底部、四壁和支柱等几何尺寸和约束位置对机抖激光陀螺固有频率的影响。计算表明:影响固有频率的主要因素是安装盒的支柱高度、底面厚度和约束位置,而安装盒四壁厚度对固有频率影响很小。最后对结构进行了优化设计,优化后结构一阶固有频率提高35.7%,二阶以上固有频率提高63%以上。     

储液容器跌落冲击动力学神经网络建模

运用LS-DYNA程序中的ALE算法模拟储液容器在不同的跌落角度、跌落高度、壳体厚度下的跌落冲击过程,获取神经网络预测模型的训练样本集;利用BP神经网络建立储液容器结构参数、跌落冲击参数与接触点最大应力之间的映射关系预测模型,并将各种参数下的接触点最大应力网络预测值与仿真值比较,两者差异较小,表明该方法是有效的,可以为实际生产过程中参数选择提供理论依据.     

基于WOA-BP神经网络的超低温冻土抗压强度预测模型研究

为获得超低温冻土抗压强度预测模型, 探究超低温状态下冻土的物理性质及力学性质的变化, 对含水率19%, 22%, 25%和28%的低液限黏土土样进行?180 °C ~ ?10 °C的单轴压缩强度试验, 并测量?80 °C ~ ?10 °C土样的未冻水含量, 建立基于WOA-BP神经网络和BP神经网络的预测模型, 探究含水率、温度、未冻水含量与超低温冻土抗压强度关系. 预测结果表明: 含水率、温度、未冻水含量与超低温冻土抗压强度存在复杂的非线性关系, 特别是在?180 °C ~ ?80 °C区间内, 现有的线性拟合公式已无法准确预测该区间内冻土抗压强度; 基于WOA-BP神经网络预测模型的整体预测效果较好, 其绝对误差平均值为1.167 MPa, 相对误差平均值为7.62%, BP神经网络预测模型的绝对误差平均值为8.462 MPa, 相对误差平均值为47.99%. 基于鲸鱼优化算法的BP神经网络预测模型预测误差明显小于BP神经网络预测模型及线性拟合值, 更接近实测值. 该预测模型具有较高精确度, 能有效解决超低温冻土抗压强度与其影响因素间复杂的非线性关系, 可为人工冻结技术在地层应急工程中的应用提供参考.      

机器学习在求解一维双曲守恒律方程中的应用

双曲守恒律方程对空气动力学、物理学和海洋学等众多领域问题的计算有着重大意义,本文应用机器学习框架下的BP神经网络对双曲守恒律方程近似求解.首先,采用熵稳定格式及基于自适应移动网格的熵稳定格式所得多个时间层的数值解构造网络输入,采用高分辨率熵稳定格式所得对应的多个时间层的数值解构造网络输出,并对数据集作归一化处理.随后,...     

2021-03期目录

针对毁伤试验数据少、不均匀、不连续、范围窄等带来的计算精度不高的问题。研究通过数据挖掘技术进行毁伤效应计算。利用数据库管理毁伤数据,通过数据清洗技术识别并清除数据异常点,以保证数据库中数据的质量。建立了算法评价方法以选择最优经验算法。通过特征选择对高维毁伤数据进行降维,确定毁伤效应的主要控制参数进行神经网络学习和k-近邻检索。在此基础上建立基于数据融合的“三阶段”毁伤效应计算模型,可依据试验数据、经验算法和神经网络模型进行毁伤效应计算。实际应用表明,所提出的计算方法,能够满足实际应用需求。     

基于“AM-GoogLeNet+BP”联合数据驱动的混凝土细观模型压缩应力-应变曲线预测

本文结合GoogLeNet卷积神经网络和BP神经网络分别在图像数据挖掘和数据分析方面的良好性能,采用“AM-GoogLeNet+BP”联合数据驱动方法,对混凝土细观模型(含砂浆、骨料及孔隙)的单轴压缩应力-应变曲线进行了有效预测.通过引入力学参量对图像数据驱动的训练结果进行优化,从而提升了神经网络的物理可解释性.基于Python语言实现混凝土细观模型在Abaqus中的自动建模及细观图像生成过程,并将生成的细观图像数据库与相应的压缩应力-应变曲线作为训练数据集.在GoogLeNet中分别引入SENet, ECANet和CBAM三种代表性注意力机制并对三种注意力机制的性能进行对比和分析,以自适应方式提升神经网络对混凝土各相组分的分析能力,并以此得到混凝土细观模型的初步应力-应变预测曲线;将骨料体积分数、孔隙率及初步峰值应力等物理参量作为输入引入BP神经网络以改善峰值应力的预测精度,并与将物理参量直接引入卷积神经网络输入层的方法进行了对比,最后定量给出了骨料体积分数和孔隙率对峰值应力的影响权重.结果表明,对于不同骨料体积分数及孔隙率的混凝土细观模型,该方法均展现了较高的预测精度.本文采用的“...     

null

Based on the preferred plane theory for regional stability assessment, princIple and methods of artificial neural network (ANN), the model of back propagation (BP) neural network and its algorithm for the preferredfault recognition are discussed in this paper. Practical examples indicate that the new method using BP neural network to determine preferred fault is effective and the prediction result is good.     

基坑支护结构水平变形预测的遗传神经网络方法

采用遗传算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,先用遗传学习算法进行全局训练,再用BP算法进行精确训练。就遗传算法过程中的选择、变异进行了探索,提出了用BP网络训练产生变异的遗传算法。作为实例,将该方法应用于预测基坑支护结构水平变形中。结果表明,该方法有收敛速度较快、预测精度高等优点。     

涡激响应尾流双振子模型的参数反演方法

尾流双振子模型是研究圆柱结构涡激振动响应的重要模型,模型参数的准确确定对悬浮隧道设计理论具有重要意义.首先通过降阶法将多变量二阶非线性常微分方程组的尾流双振子模型变换为一阶方程组.然后给出一种新型的圆柱结构水槽试验设计方案,其中试验模型的刚度能够较好反映悬浮隧道等实际工程结构的刚度,基于相机动态捕捉和视频识别计算机程序...     

海相沉积软土蠕变BP神经网络本构模型

海相沉积软土具有很强的蠕变特性,传统分级构建蠕变本构模型方法不实用,且很难真正反映岩土流变的非线性特性。为此,本文引入具有超强非线性映射和容错能力的BP神经网络模型,通过改进BP算法,根据江门软土的室内直剪蠕变试验结果,建立了海相沉积软土BP神经网络蠕变本构模型,避免了传统方法为满足试验曲线变化规律和蠕变特性而需要建立复杂的本构数学表达式。最后,利用上海地区软土蠕变实验结果对本文提出的方法进行了验证,并对BP神经网络蠕变模型在描述软土流变方面的特点进行了讨论。结果表明,本文建模方法简单,并能很好地描述软土的非线性蠕变问题。     

Explicit and implicit viscoplastic models for polymeric composite

The viscoplastic behavior of a carbon-fiber/polymer matrix composite was investigated through two different modeling efforts. The first model is phenomenological in nature and utilizes the tensile and stress relaxation experiments to predict the creep strain. The phenomenological model was constructed based on the overstress viscoplastic model. In the second model, the composite viscoplastic behavior is captured via neural networks formulation. The neural networks model was constructed directly from the experimental results obtained via creep tests performed at various stress–temperature conditions. The neural network was trained to predict the creep strain based on the stress–temperature–time values. The performance of the neural model is evaluated through the mean squared error between the neural network prediction and the experimental creep strain results. To minimize this error, several optimization techniques were examined. The minimization of the error when carried out by the Truncated Newton method outperforms the standard back-propagation and the conjugate gradient method in terms of convergence rate and accuracy. Using neural network with truncated Newton training algorithm, the prediction of the creep strain was very satisfactory compared to the phenomenological model.