拱坝的时变模态识别和材料动参数反演方法研究

发布时间：2020-03-21 16:01

【摘要】：基于地震观测的混凝土拱坝模态识别在结构抗震分析和震损估计等方面有重要的应用。而传统方法一般忽略系统的时变特性,将其假定为线性时不变的。然而,由于材料、边界条件和“大坝一地基一水库”系统之间的相互作用,以及结构损伤等因素的影响,混凝土拱坝可能会出现时变特性。另一方面,传统材料反演方法也未能考虑其时变特征,因此,本文在国家自然科学基金“环境激励下水工混凝土结构的在线健康监测方法研究”(51409205)的资助下,基于混凝土拱坝地震观测资料结合模态分析理论以及机器学习理论提出了新的时变模态识别方法,并对材料参数进行动态时变反演。其主要研究内容如下:针对传统去噪方法存在的问题,本文提出了基于同步压缩变换技术的新型地震观测去噪技术,并在此基础上采用“输入一输出”型和“仅考虑输出”型两类方法分别对拱坝模态参数进行了识别;在对不同地震、不同方法识别结果进行对比的同时,结合其他Pacoima拱坝有限元分析(FEA)、试验模态分析(EMA)和其它的运行模态分析(OMA)结果,对不同识别结果进行对比分析,分析差异产生的原因,并评价其优劣性。为基于地震观测的混凝土拱坝系统时不变识别问题的后续研究提供借鉴。针对传统线性时变模态识别方法存在的不足,提出了基于自适应多模型遗忘模型(AFMM)时变判定的拱坝时变模态识别方法。该方法首先利用AFMM算法来判断大坝在地震作用下是否发生时变,然后依据发生时变的时刻,将地震观测数据进行分段,对未发生时变反应的阶段,利用线性时不变的数据驱动的随机子空间(SSI-Data)法来识别拱坝的模态参数,对于发生时变的阶段则利用递归随机子空间(RSSI)算法追踪模态参数的时变规律,分析结果表明本文所提出的时变模态识别方法合理有效。针对混凝土拱坝材料参数反演研究存在的不合理性,在进行反演过程中,引入时间变量,提出了基于多输入相关向量机(M-RVM)模型的拱坝材料动参数反演新方法,根据时变的模态参数识别结果,利用机器学习中的M-RVM模型,建立了反演参数与模态参数之间的相互依赖关系。并采用该方法对Pacoima拱坝进行了动态反演,其结果合理,并可供后续拱坝抗震研究时参考使用。
【图文】：

技术路线图,动参数,混凝土拱坝,地震观测

根据判定结果结合 RSSI 算法，进行拱坝线性时变模态参数识别。为材料动参数反演做准备。（3）混凝土拱坝及其基础材料动参数的时变反演方法研究在进行有限元“大坝—水库—地基”的仿真过程中，引入时间变量，让弹性模量随着时间的变化而变化。基于时变的模态参数识别结果和机器学习的优势算法多输出相关向量机（MiliticlassRelevanceVectorMachine，M-RVM）模型提出混凝土拱坝及其基础材料动参数的时变反演分析方法。1.3.2 技术路线本文的基于地震观测的拱坝时变模态识别和材料动参数反演研究主要涉及以下三个方面内容：基于地震观测的混凝土拱坝线性时不变模态识别方法对比、基于地震观测的拱坝线性时变识别方法研究和材料动参数反演分析研究。针对每一部分研究，均在大量阅读相关文献的基础上，首先对该问题的现有研究现状进行了简要介绍，随后，针对其不足，，提出了新的方法。最后通过对算例进行计算证明所提出方法的可行性、优越性。总技术路线如图 1-1 所示。

频谱图,频谱图,时频,有效信号

图 2-1 原信号与加噪信号的时程图与频谱图Fig. 2-1 original signal and the noise signal response and its power spectrum该含噪信号进行 SST 处理，图 2-2（a）和图 2-2（b）分别为加噪信号的 S短时傅里叶变换（STFT）时频谱图，对比两图可以看出，STFT 时频谱较为好地分辨出原始有效信号，而 SST 时频谱图具有较高的精度，各时频曲线，具有较高的有效信号脊线的分辨率。也证明了 SST 可以很好地改善频率象。图 2-2（c）为应用 SST 算法去噪后的时频谱图，可以看出噪声得到了（a）加噪信号的 SST 时频图（b）加噪信号的 STFT 时频图
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TV642.4

【参考文献】