基于粒子群算法的桥墩多目标优化设计方法研究

发布时间：2017-09-15 11:33

  本文关键词：基于粒子群算法的桥墩多目标优化设计方法研究

  更多相关文章： 粒子群算法 反应谱法 抗震优化设计 桥梁延性设计

【摘要】：为了优化钢筋混凝土桥墩结构抗震设计,将粒子群优化算法和反应谱分析方法结合起来,建立以截面特性和配筋率为设计变量,以抗震需求能力比为目标函数的规则桥梁圆形单柱桥墩的抗震优化设计框架,将抗震设计转化为多目标优化问题。计算表明：该方法可以快速获得满足多目标需求的最优设计参数；优化后桥墩抗震性能明显提高,更符合设计意图,本文提出的设计方法更具有工程应用的实际意义。本文主要进行了以下工作：1)基于反应谱法和多目标粒子群算法,以桥墩截面特性和配筋率为设计变量,建立了规则桥梁圆形单墩的计算框架,并给出了优化设计流程和程序实现方法。2)将多目标粒子群算法应用在桥墩结构优化设计中,得到以E1地震作用下抗弯轴力需求能力比△1和E1地震作用下抗弯弯矩需求能力比△2,E2地震作用下抗剪能力需求比△3和E2地震作用下延性位移需求能力比△4为目标函数的Pareto解集。3)通过分析了一个规则桥梁桥墩结构优化设计实例,本文的方法虽然增加了材料用量,但却使抗震性能大幅度提高,优化结果满足桥梁工程设计要求。并讨论了优化过程中的种群规模、学习因子和混合函数这三个因素的影响。4)以本文中的算例为背景,应用遗传算法计算,通过比较遗传算法与粒子群算法计算的结果,在达到公路桥梁抗震设计细则的要求时,粒子群优化算法在解集收敛性和算法鲁棒性方面较遗传算法更优。优化结果表明,本文提出的规则桥梁圆形单墩延性设计框架可行,具有工程应用的实际意义。
【关键词】：粒子群算法 反应谱法 抗震优化设计 桥梁延性设计
【学位授予单位】：西安工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U443.22
【目录】：

• 摘要3-4
• Abstract4-8
• 1 绪论8-19
• 1.1 引言8
• 1.2 桥墩的震害8-10
• 1.3 结构优化概念10-16
• 1.3.1 优化设计的数学模型11-12
• 1.3.2 优化算法分类12-15
• 1.3.3 粒子群算法与其他算法的不同15-16
• 1.4 国内外研究现状16-17
• 1.5 本文的研究内容17-19
• 2 桥梁延性抗震设计19-30
• 2.1 桥墩的震害19-20
• 2.1.1 桥墩的震害破坏形式19
• 2.1.2 抗震设防标准19-20
• 2.1.3 地震中的启示20
• 2.2 结构的延性20-24
• 2.2.1 延性的概念20-21
• 2.2.2 延性的指标21-22
• 2.2.3 钢筋混凝土桥墩的位移延性与曲率延性的关系22-23
• 2.2.4 影响钢筋混凝土桥墩曲率延性的主要因素23-24
• 2.3 桥梁抗震方法简介24-26
• 2.3.1 静力法25
• 2.3.2 反应谱法25
• 2.3.3 动力时程分析法25-26
• 2.3.4 静力弹塑性分析26
• 2.4 规则桥梁结构桥墩结构优化计算原理26-29
• 2.4.1 E1地震作用下的计算步骤27-28
• 2.4.2 E2地震作用下的计算步骤28-29
• 2.5 本章小结29-30
• 3 基于粒子群优化算法的桥墩多目标优化设计方法30-43
• 3.1 粒子群优化算法30-35
• 3.1.1 粒子群优化算法的概念30-31
• 3.1.2 粒子群优化算法的模型31
• 3.1.3 算法参数的选取31-33
• 3.1.4 基本粒子群算法流程33-35
• 3.2 多目标优化算法概念35-38
• 3.2.1 算法定义35-36
• 3.2.2 多目标优化算法的分类36-38
• 3.2.3 多目标粒子群优化算法38
• 3.3 基于粒子群优化算法的桥墩多目标优化设计38-41
• 3.3.1 优化模型参数38-41
• 3.3.2 基于粒子群算法的桥墩优化方法的实现41
• 3.4 本章小结41-43
• 4 普通圆形单柱形桥墩优化设计分析43-58
• 4.1 桥墩工程优化设计43-50
• 4.1.1 桥墩的数学模型43-45
• 4.1.2 粒子群优化算法在桥墩设计方法中的实现45-50
• 4.2 多目标优化的Pareto解集50-53
• 4.2.1 E1地震作用下的Pareto解集50-51
• 4.2.2 E2地震作用下的Pareto解集51-53
• 4.3 优化结果分析及影响因素53-56
• 4.3.1 优化结果分析53-54
• 4.3.2 优化影响因素分析54-56
• 4.4 本章小结56-58
• 5 两种仿生学优化方法的比较58-62
• 5.1 优化参数设置58
• 5.2 遗传算法优化计算58-61
• 5.3 本章小结61-62
• 6 结论和对未来展望62-64
• 6.1 本文的结论62
• 6.2 本文的不足和对未来的展望62-64
• 参考文献64-69
• 攻读硕士学位期间发表的论文69-70
• 致谢70-72

【相似文献】

中国期刊全文数据库 前10条

1 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

2 吴军;李为吉;;改进的粒子群算法及在结构优化中的应用[J];陕西理工学院学报(自然科学版);2006年04期

3 段海涛;刘永忠;冯霄;;水系统优化的粒子群算法分析[J];华北电力大学学报(自然科学版);2007年02期

4 王伟;;混合粒子群算法及其优化效率评价[J];中国水运(学术版);2007年06期

5 付宜利;封海波;孙建勋;李荣;马玉林;;机电产品管路自动敷设的粒子群算法[J];机械工程学报;2007年11期

6 蒋荣华;王厚军;龙兵;;基于离散粒子群算法的测试选择[J];电子测量与仪器学报;2008年02期

7 周苗;陈义保;刘加光;;一种新的协同多目标粒子群算法[J];山东理工大学学报(自然科学版);2008年05期

8 姚峰;杨卫东;张明;;改进粒子群算法及其在热连轧负荷分配中的应用[J];北京科技大学学报;2009年08期

9 张大兴;贾建援;张爱梅;郭永献;;基于粒子群算法的三轴跟瞄装置跟踪策略研究[J];仪器仪表学报;2009年09期

10 王丽萍;江波;邱飞岳;;基于决策偏好的多目标粒子群算法及其应用[J];计算机集成制造系统;2010年01期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 王芳;粒子群算法的研究[D];西南大学;2006年

2 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

3 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

4 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

5 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

6 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

7 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

8 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

9 杨轻云;约束满足问题与调度问题中离散粒子群算法研究[D];吉林大学;2006年

10 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

中国硕士学位论文全文数据库 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

，

本文编号：856276