基于CFD的Π型断面颤振导数神经网络预测

发布时间：2020-08-11 07:10

【摘要】：本文首先在回顾桥梁颤振基本理论及颤振导数识别方法发展历程的基础上,对颤振导数识别问题的研究现状进行了总结。接着根据目前研究工作中的空白,本文以二维刚性节段模型风洞试验为基础,对比了借助三种常用湍流模型得到的颤振导数的精度,得到了对Π型断面计算精度较高的湍流模型。在此湍流模型的基础上,建立了Π型断面颤振导数的数据库,同时研究了Π型断面几何参数对颤振导数的影响规律。以此数据库为基础,首次建立了采用神经网络预测Π型断面颤振导数的方法,为桥梁初步设计阶段颤振导数的快速获取提供了新的途径。本文主要研究内容及结论如下:(1)以颤振导数的节段模型风洞试验结果为基础,对比了分别采用RNG6)-模型、SST6)-模型和RSM计算获取的颤振导数的精度,并对比分析了由三种湍流模型得到的断面流线图,证明RSM对Π型断面颤振导数的数值计算更为适用。(2)在数值计算中采用RSM获取了宽高比=6~13和尺寸系数=1.1~1.3的Π型断面颤振导数,初步建立了颤振导数的数据库。同时基于这些数据研究了这两个几何参数对颤振导数的影响,并基于流线图研究了主漩涡的变化规律。(3)以颤振导数的数据库为基础训练神经网络,并成功预测了Π型断面的颤振导数。在采用多种误差评价方法的基础上,证明了神经网络的预测精度达到了令人满意的效果。这一方法有利于提高桥梁初步设计阶段颤振导数和颤振临界风速估算工作的效率。通过比较发现BP神经网络比RBF神经网络对此类非线性效应显著的问题具有更强的适应性。
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U441.3
【图文】：

图 2.1 具有两个隐含层的 BP 神经网络结构网络的相邻两个层之间的每个神经元都互相连接，而同一层由于含有多个隐含层的 BP 神经网络能够产生更加复杂和多输入信号中提取出的信息更丰富，因而增加隐含层数比增加理非线性问题能力的提高效果更明显。BP 神经网络的内置模型出模型为： = ∑ 输出模型为： = ∑ 为非线性作用函数， 为单元阈值[36]。模型

图 2.2 Log-Sigmoid 函数图形 图 2.3 Tan-Sigmoid 函数图形可见，Sigmoid 函数图形是光滑的曲线，在处理分类问题时，它比线性函数的精度高，同时具有较好的容错性。它将以整个实数域为取值范围的输入信号映射到(0,1)或者(-1,1)。在坐标原点附近，输入信号的绝对值较小，而函数的输出值大于输入值，此时Sigmoid 函数对输入信号具有放大作用；当输入信号的绝对值逐渐增大时，Sigmoid 函数的放大作用逐渐减小。3. 误差计算模型为评估神经网络预测结果的误差，引入误差计算公式： = ∑ (2.49)式中， 为神经网络期望输出值， 为神经网络实际输出值。4. 自学习模型神经网络权重矩阵 的误差修正过程被称为学习。BP 神经网络有导师的学习方式

图 2.2 Log-Sigmoid 函数图形 图 2.3 Tan-Sigmoid 函数图形可见，Sigmoid 函数图形是光滑的曲线，在处理分类问题时，它比线性函数的精度高，同时具有较好的容错性。它将以整个实数域为取值范围的输入信号映射到(0,1)或者(-1,1)。在坐标原点附近，输入信号的绝对值较小，而函数的输出值大于输入值，此时Sigmoid 函数对输入信号具有放大作用；当输入信号的绝对值逐渐增大时，Sigmoid 函数的放大作用逐渐减小。3. 误差计算模型为评估神经网络预测结果的误差，引入误差计算公式： = ∑ (2.49)式中， 为神经网络期望输出值， 为神经网络实际输出值。4. 自学习模型神经网络权重矩阵 的误差修正过程被称为学习。BP 神经网络有导师的学习方式

【参考文献】

相关期刊论文 前7条

1 费金龙;韩涛;邹威;祝跃飞;;一种基于混合模型WRC的流量预测方法[J];华中科技大学学报(自然科学版);2015年05期

2 祝志文;夏昌;;基于两种湍流模型的桥梁颤振导数识别研究及比较[J];湖南大学学报(自然科学版);2010年11期

3 祝志文;顾明;陈政清;;基于3211多阶跃激励CFD模型的颤振导数识别研究[J];振动工程学报;2008年01期

4 许福友;陈艾荣;;全桥气弹模型颤振导数识别[J];土木工程学报;2007年07期

5 陈政清;胡建华;;桥梁颤振导数识别的时域法与频域法对比研究[J];工程力学;2005年06期

6 李乔,杨兴旺;桥梁主梁断面空气力学特性分析的人工神经网络方法[J];中南公路工程;2000年03期

7 李明水，贺德馨，李会知;桥梁节段模型颤振导数的确定[J];工程力学;1995年01期

相关会议论文 前1条

1 曹曙阳;;计算流体力学在风工程中的应用[A];第十四届全国结构风工程学术会议论文集（上册）[C];2009年

相关博士学位论文 前2条

1 唐煜;流线型箱梁断面非线性自激力与非线性颤振响应研究[D];西南交通大学;2015年

2 惠冰;沥青路面车辙破坏模式识别、多维度指标评价与预测研究[D];长安大学;2013年

相关硕士学位论文 前10条

1 陈帅宇;基于CFD的自由耦合振动法计算桥梁颤振临界风速[D];长安大学;2017年

2 李仁鑫;交错布局下轻型可移动双坡房屋群表面风压特性研究[D];长安大学;2016年

3 刘研;基于萤火虫算法和RBF神经网络的高速公路交通流预测[D];长安大学;2016年

4 张斐;桥梁断面颤振导数识别方法研究及MATLAB实现[D];长安大学;2016年

5 张悦;基于数值模拟的π形主梁断面颤振导数研究[D];长安大学;2015年

6 邓小龙;基于PC Newmark-β法的流固耦合涡激振动数值模拟[D];浙江大学;2015年

7 马润田;大跨钢管桁架结构风荷载数值模拟与健康监测研究[D];兰州理工大学;2014年

8 高伟;斜风作用下大跨度桥梁颤振导数研究[D];西南交通大学;2013年

9 洪光;基于Fluent软件采用自由振动法识别大跨度桥梁的颤振导数[D];长安大学;2012年

10 任娜;桁架桥梁颤振导数的影响因素研究[D];长安大学;2010年

本文编号：2788760