结构系统识别不确定性分析的Bayes方法及其进展

受测试误差、建模误差、数值离散化以及环境变异等因素的影响,结构系统识别过程不可避免地存在不确定性,因此有必要引入概率统计方法来提高其鲁棒性,为工程结构安全监测提供更为可靠的结果.近年来,Bayes(贝叶斯)方法因为其诸多优势在系统识别领域受到了广泛关注.该文梳理了Bayes系统识别的历史脉络和研究进展.从Bayes系统识别的理论框架出发,分析了量化系统识别不确定性两类方法的适用条件与局限性.此外,文章综述了Bayes方法在模态参数识别、有限元模型修正以及结构损伤识别方面进行不确定性分析的理论、实现及其应用.最后对基于Bayes方法进行系统识别研究的发展趋势做出了展望.     

变温条件下考虑车辆-路面相互作用的车辙分析

研究沥青路面结构的车辙问题,首先基于车辆与路面的相互耦合作用,建立路面不平整度引起的车辆荷载简化模型;然后根据沥青混合料蠕变试验数据,拟合出基于修正Burgers模型的沥青路面车辙的计算参数;最后结合气温观测数据,借助ABAQUS有限元软件,引入路面温度场,建立了考虑连续变温的日车辙预估计算模型.模拟了考虑车辆 路面相互作用的沥青路面在连续变温条件下的车辙变化规律,并分析研究了温度、车辆荷载以及车速对车辙的影响.结果表明,考虑车辆 路面相互作用得到的日累积车辙深度增大了6.5%,说明这一因素对沥青路面车辙的预测是不可忽略的;轴载及路面不平整度均与车辙量线性相关;而相同轴载作用下,温度越高,车辙增长越快,得到的车辙量越大;随着车速增大,车辙深度呈减小趋势,并且在车辆与路面发生共振的车速下,该文模型得到的结果增大了32%.     

一类Riccati矩阵方程广义自反解的双迭代算法

本文研究了一类Riccati矩阵方程广义自反解的数值计算问题.利用牛顿算法将Riccati矩阵方程的广义自反解问题转化为线性矩阵方程的广义自反解或者广义自反最小二乘解问题,再利用修正共轭梯度法计算后一问题,获得了求Riccati矩阵方程的广义自反解的双迭代算法.拓宽了求解非线性矩阵方程的迭代算法.数值算例表明双迭代算法是有效的.     

一个修正Novikov方程弱解的全局存在性

主要研究了一个修正的Novikov方程,并给出了当初值u0(x)满足一定条件时,方程弱解的全局存在性,推广了Novikov方程的相关结果.     

结合VEC和信心水平分析Black-Litterman投资组合模型

在理论上通过推导得出了Black-Litterman模型(B-L模型)最优权重与信心水平的关系式.实证部分开创性地将多元时间序列VEC模型运用到B-L模型的观点收益预测中.结果表明:且通过向量误差修正模型,实证取得了较好的效果.在任意一种做空限制下,随着信心水平在0%~70%水平上升,收益率有连续上升的趋势,并逐渐趋稳;风险有并不明显的下降的趋势.对同一信心水平而言,随做空限制的放宽,收益率有上升趋势.     

α-混合误差的部分线性EV模型的弱相合性

运用小波估计和修正最小二乘法研究了误差为α-混合的部分线性EV模型,给出了参数和非参数部分的小波估计量,得到了小波估计量的弱相合性,推广了现有的一些相应结论.     

双层网格圆底扁球壳的非线性稳定问题

从基于等效夹层壳思想的双层网格扁壳,非线性弯曲理论的变分方程出发,利用坐标变换方法和驻值余能原理,导出双层网格圆底扁球壳,在均布压力作用下的轴对称大挠度方程和边界条件．采用修正迭代法,求得了两类边界条件下双层网格圆底扁球壳的非线性载荷-位移关系式和临界屈曲载荷的解析表达式,并讨论了几何参数对临界屈曲载荷的影响．     

单叶解析函数族修正卷积及极值点应用

用线性乘数算子定义了单叶负系数解析函数族J_(λ,μ)~L(α,β),讨论得到其极值点和修正卷积的参变量值,并利用极值点理论对J_(λ,μ)~L(α,β)中有限阶导函数模的界作了精确估计,主要结论可以自然覆盖相关的子类.     

Banach空间中Mann迭代和Ishikawa迭代的等价性问题

用不同于已有的方法证明了任意实Banach空间中一致Lipschitz强连接伪压缩算子在具误差的修正的Mann迭代和具误差的修正的Ishikawa迭代下收敛和稳定的等价性,其中迭代参数{βn}仅需lim sup n→∞βn〈k/L（L＋1）,这推广和改进了目前需假设lim n→∞ βn=0和两迭代程序初始点的取值需相同条件下的已有结果.     

Banach空间中Mann-Ishikawa迭代和Multi-Step迭代的等价性问题

本文研究了一致光滑Banach空间中迭代算法等价性的问题.利用泛函分析的方法,获得了广义强连接Φ伪压缩算子在具误差的修正的Mann-Ishikawa迭代和具误差的修正的multi-step 迭代下收敛等价性的结果,推广了目前的相关结果.