CN113158297A - 一种水工弧形钢闸门参数荷载识别方法 - Google Patents

一种水工弧形钢闸门参数荷载识别方法 Download PDF

Info

Publication number
CN113158297A
CN113158297A CN202110277298.0A CN202110277298A CN113158297A CN 113158297 A CN113158297 A CN 113158297A CN 202110277298 A CN202110277298 A CN 202110277298A CN 113158297 A CN113158297 A CN 113158297A
Authority
CN
China
Prior art keywords
parameter
steel gate
neural network
load
parameter load
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110277298.0A
Other languages
English (en)
Other versions
CN113158297B (zh
Inventor
刘计良
司政
李炎隆
刘云贺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110277298.0A priority Critical patent/CN113158297B/zh
Publication of CN113158297A publication Critical patent/CN113158297A/zh
Application granted granted Critical
Publication of CN113158297B publication Critical patent/CN113158297B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种水工弧形钢闸门参数荷载识别方法，具体步骤包括：考虑弧形钢闸门的结构特点，建立能反映原型弧形钢闸门动力特性的空间框架简化模型；根据该简化模型构建弧形钢闸门参数振动有限元动力微分方程；给定荷载对参数振动有限元方程进行动力时程分析；设计参数荷载识别的BP神经网络模型的拓扑结构；应用时程分析的数据作为学习样本训练参数荷载识别模型并检验识别模型的有效性。本发明充分利用方便获取的闸门的动力响应数据对参数荷载进行有效识别，具有精度高的特点，解决了参数荷载不便于直接测量的难题，为弧形钢闸门参数振动分析及动力稳定性的判定提供了基础。

Description

一种水工弧形钢闸门参数荷载识别方法
技术领域
本发明属于水利工程技术领域，涉及一种水工弧形钢闸门参数荷载识别方法。
背景技术
弧形钢闸门是水利工程中应用最为广泛的闸门之一，通常作为泄水孔口的工作闸门。弧形钢闸门在动水中启闭及局部开启过程中，因水流的作用存在不同程度的振动，尤其当水动力荷载和闸门的动力特性出现不利组合时，闸门产生强烈振动，已经有部分处于服役期的弧形钢闸门因发生严重振动而失事，造成了严重的经济损失。
弧形钢闸门的振动是复杂的流固耦合动力系统，振动形式多样，其中参数振动是近年来学术界研究的热点。对于局部开启泄流的弧形钢闸门，由于特殊的边界及水力条件，动水作用往往会形成某种周期性的激振力，弧形钢闸门在承受纵向静水压力的同时，如果再受到纵向激振力，极易发生横向参数振动。参数振动和强迫振动的触发机理不同，在弧形钢闸门参数振动的动力微分方程中，激振力处于动力微分方程的左边，被称之为参数荷载。当参数荷载的频率和闸门的自振频率的关系位于动力不稳定区域时，会出现强烈的振动现象而导致结构丧失动力稳定性，被称之为参数共振。
弧形钢闸门的支臂承受纵向参数荷载是产生参数振动的诱因，参数荷载包括静力荷载和动力荷载两部分，其中动力荷载的频率有可能是水流本身的优势频率，但更常见的是闸门其他构件(如主梁)被激起的自振频率，它又作为参数荷载输入给支臂，就有可能激起参数共振，合理地确定参数荷载是判别弧形钢闸门发生动力失稳的前提条件。由于闸门结构及参数振动触发的复杂性，要准确测量参数荷载是十分困难甚至是不可能的，目前尚未建立有效辨识弧形钢闸门参数荷载的方法，无法全面揭示弧形钢闸门参数振动的触发机理。
发明内容
本发明的目的是提供一种水工弧形钢闸门参数荷载识别方法，具有能够充分利用动力响应的信息反求参数荷载，提高参数荷载求解精度的特点。
本发明所采用的技术方案是，一种水工弧形钢闸门参数荷载识别方法，其特征在于，具体按照以下步骤实施：
步骤1、根据弧形钢闸门的结构特点，建立反映原型弧形钢闸门动力特性的空间框架简化模型；
步骤2、根据空间框架简化模型构建弧形钢闸门参数振动有限元动力微分方程；
步骤3、根据给定的荷载对参数振动有限元方程进行动力时程分析；
步骤4、构建参数荷载识别的BP神经网络模型；
步骤5、将动力时程分析的数据作为学习样本训练参数荷载识别的BP神经网络模型；
步骤6、检验参数荷载识别的BP神经网络模型的有效性。
本发明的特点还在于：
步骤1具体按照以下步骤实施：
步骤1.1、应用有限元软件分析弧形钢闸门的动力特性，根据闸门的结构特点，对不同的构件选用合适的单元进行模拟，获得闸门的自振频率及振型；
步骤1.2、考虑面板的影响，将面板质量分配在主横梁上，忽略曲梁曲率的影响，以直梁代替曲梁，经过结构简化建立弧形钢闸门的空间框架简化模型，采用动力刚度法分析该简化模型的动力特性，获得其自振频率及振型；
步骤1.3、比较弧形钢闸门及其空间框架简化模型的动力特性，以二者相近为原则调整空间框架简化模型，确定面板的质量分配比例及各构件的尺寸，确定参数荷载在各支臂上的分配，最终建立能反映原型闸门动力特性的简化模型。
步骤2具体为，建立的弧形钢闸门参数振动有限元动力微分方程为：
Figure BDA0002977158440000031
式中，M、C、K、S分别为空间框架的质量矩阵、阻尼矩阵、弹性刚度矩阵和几何刚度矩阵，在形成有限元特征矩阵M、C、K、S时，采用的形函数为满足杆件自由振动微分方程的精确形函数；
Figure BDA0002977158440000032
x(t)分别为加速度、速度和位移向量，t表示时间；P0+Pt cosθt＝P(t)为参数荷载，P0为静力荷载，Pt cosθt为动力荷载，Pt为幅值，θ为频率。
步骤3具体按照以下步骤实施：
步骤3.1、设置相关参数并计算积分常数：
选择时间步长Δt＝ti+1-ti(i＝0,1,2,3……)，ti+1和ti分别表示相邻的两时刻；设置参数β和γ的值，β取区间[0,0.25]上的值，为保证时程分析法具有二阶精度，γ的值取0.5；计算积分常数：
Figure BDA0002977158440000033
Figure BDA0002977158440000034
a6＝Δt(1-γ)，a7＝γΔt；确定
Figure BDA0002977158440000035
x(t)的初始时刻的值
Figure BDA0002977158440000036
x(t0)；
步骤3.2、形成等效刚度矩阵
Figure BDA0002977158440000041
Figure BDA0002977158440000042
步骤3.3、计算ti+1时刻的等效荷载
Figure BDA0002977158440000043
Figure BDA0002977158440000044
步骤3.4、由下式求解ti+1时刻的位移x(ti+1)：
Figure BDA0002977158440000045
步骤3.5、计算ti+1时刻的加速度和速度：
Figure BDA0002977158440000046
Figure BDA0002977158440000047
重复步骤3.3-步骤3.5，得到所选取时间段的任一时间点的动力响应。
步骤4具体为，构建BP神经网络模型来识别弧形钢闸门的参数荷载，该BP神经网络模型的拓扑结构为：包含1个输入层、1个隐层和1个输出层，输入层的输入为结构的动力响应，输入层神经元的个数由测点的个数确定，输出层的输出为参数荷载，输出层神经元的个数由作用在支臂上的参数荷载的个数确定，隐层神经元的个数取10。
步骤5具体按照以下步骤实施：
步骤5.1、将步骤3中的荷载及对应的时程分析结果作为样本数据，选择部分样本数据作为学习样本训练参数荷载识别的BP神经网络模型，动力响应数据作为神经网络的输入，对应的荷载数据作为神经网络的输出，采用线性插值公式对样本数据作归一化处理：
Figure BDA0002977158440000048
式中，xi和x′i分别为归一化前、后的样本数据，xmin和xmax分别为样本数据的最大值和最小值；
步骤5.2、设置BP神经网络的相关计算参数，包括：初始化BP神经网络的连接权值和阈值，其值在区间[0,1]上随机选取；设置学习率和动量因子的值，其值在区间[0,1]上选取；设置样本数，样本数由步骤5.1中选取的学习样本数确定；设置所要求的训练精度；
步骤5.3、输入全部学习样本数据训练BP神经网络，计算各层神经元的输入和输出，并计算输出层的均方误差；
步骤5.4、判断训练精度，如果均方误差的值大于所要求的训练精度，则根据学习率和动量因子调整各权值和阈值的值并重新输入学习样本进行训练，直到均方误差小于或等于所要求的训练精度，记录此时的BP神经网络的各权值和阈值的值，弧形钢闸门参数荷载识别的BP神经网络模型训练完毕。
步骤6具体按照以下步骤实施：
步骤6.1、将步骤3中的时程分析结果作为检验样本检验弧形钢闸门参数荷载神经网络识别模型的效果，将动力响应数据经过归一化处理后输入步骤5中训练好的BP神经网络模型，经过神经网络映射计算获得输出值；
步骤6.2、将神经网络的输出值与实际的参数荷载进行比较，计算两者的误差，如果误差在允许范围内，则认为神经网络的输出即为待求值，即有效识别出弧形钢闸门的参数荷载，否则改变步骤5中的计算参数，重新训练网络，直到误差满足要求为止。
本发明的有益效果是：本发明一种水工弧形钢闸门参数荷载识别方法可以充分利用方便测量的闸门的动力响应数据对参数荷载进行有效识别，解决了参数荷载不便于直接测量的难题，为弧形钢闸门参数振动分析及动力稳定性的判定提供了基础。
附图说明
图1是本发明一种水工弧形钢闸门参数荷载识别方法的流程图；
图2是本发明方法中某弧形钢闸门空间框架的简化模型图；
图3是本发明方法中参数荷载识别的BP神经网络拓扑图；
图4是本发明方法中参数荷载识别的对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种水工弧形钢闸门参数荷载识别方法，如图1所示，具体按照以下步骤实施：
步骤1、根据弧形钢闸门的结构特点，建立能反映原型弧形钢闸门动力特性的空间框架简化模型，具体按照以下步骤实施：
步骤1.1、应用有限元软件分析弧形钢闸门的动力特性，根据闸门的结构特点，对不同的闸门构件选用合适的单元进行模拟，如面板采用壳单元模拟，主梁和次梁及连接性杆件采用梁单元模拟，支铰采用三维实体单元模拟，获得闸门的自振频率及振型；
步骤1.2、考虑面板的影响，将面板质量分配在主梁上，忽略曲梁曲率的影响，以直梁代替曲梁，经过结构简化建立弧形钢闸门的空间框架简化模型，采用动力刚度法分析该简化模型的动力特性，获得其自振频率及振型；
步骤1.3、比较弧形钢闸门及其空间框架简化模型的动力特性，以二者相近为原则调整空间框架简化模型，确定面板的质量分配比例及各构件的尺寸，确定参数荷载在各支臂上的分配，最终建立能反映原型闸门动力特性的简化模型；
如图2所示，经过以上步骤，针对某弧形钢闸门建立了该闸门空间框架的简化模型，参数荷载简化为作用于支臂上的集中荷载，且沿支臂径向指向支铰；
步骤2、根据空间框架简化模型构建弧形钢闸门参数振动有限元动力微分方程：
Figure BDA0002977158440000071
式中，M、C、K、S分别为空间框架的质量矩阵、阻尼矩阵、弹性刚度矩阵和几何刚度矩阵，在形成有限元特征矩阵M、C、K、S时，采用的形函数为满足杆件自由振动微分方程的精确形函数，只要结构给定，就可以确定特征矩阵M、K和S的值，阻尼矩阵采用瑞利阻尼计算；
Figure BDA0002977158440000072
x(t)分别为加速度、速度和位移向量，t表示时间；P0+Pt cosθt＝P(t)为参数荷载，P0为静力荷载，Pt cosθt为动力荷载，Pt为幅值，θ为频率，参数荷载为待识别的量；
步骤3、根据给定的荷载对参数振动有限元方程进行动力时程分析，采用Newmark法，具体按照以下步骤实施：
步骤3.1、设置相关参数并计算积分常数：
选择时间步长Δt＝ti+1-ti(i＝0,1,2,3……)，ti+1和ti分别表示相邻的两时刻；设置参数β和γ的值，β取区间[0,0.25]上的值，为保证Newmark法具有二阶精度，γ的值取0.5；计算积分常数：
Figure BDA0002977158440000073
Figure BDA0002977158440000074
a6＝Δt(1-γ)，a7＝γΔt；确定
Figure BDA0002977158440000075
x(t)的初始时刻的值
Figure BDA0002977158440000076
x(t0)；
步骤3.2、形成等效刚度矩阵
Figure BDA0002977158440000077
Figure BDA0002977158440000078
步骤3.3、计算ti+1时刻的等效荷载
Figure BDA0002977158440000085
Figure BDA0002977158440000081
步骤3.4、由下式求解ti+1时刻的位移x(ti+1)：
Figure BDA0002977158440000082
步骤3.5、计算ti+1时刻的加速度和速度：
Figure BDA0002977158440000083
Figure BDA0002977158440000084
重复步骤3.3-步骤3.5，可以得到所选取时间段的任一时间点的动力响应；
步骤4、构建参数荷载识别的BP神经网络模型，如图3所示，该BP神经网络模型的拓扑结构为：包含1个输入层、1个隐层和1个输出层，输入层的输入为结构的动力响应，输入层神经元的个数由测点的个数确定，输出层的输出为参数荷载，输出层神经元的个数由作用在支臂上的参数荷载的个数确定，隐层神经元的个数取10；对应图2所示的某弧形钢闸门空间框架简化模型，该弧形钢闸门参数荷载识别的BP神经网络的输入层神经元的个数为10(选取10个测点)，输出层神经元的个数为4(对应4根支臂上的4个参数荷载)，隐层神经元的个数为10；
步骤5、将动力时程分析的数据作为学习样本训练参数荷载识别的BP神经网络模型，具体按照以下步骤实施：
步骤5.1、将步骤3中的荷载及对应的时程分析结果作为样本数据，选择部分样本数据作为学习样本训练参数荷载识别的BP神经网络模型，动力响应数据作为神经网络的输入，对应的荷载数据作为神经网络的输出，采用线性插值公式对样本数据作归一化处理：
Figure BDA0002977158440000091
式中，xi和x′i分别为归一化前、后的样本数据，xmin和xmax分别为样本数据的最大值和最小值；
步骤5.2、设置BP神经网络的相关计算参数，包括：初始化BP神经网络的连接权值和阈值，其值在区间[0,1]上随机选取；设置学习率和动量因子的值，其值在区间[0,1]上选取；设置样本数，样本数由步骤5.1中选取的学习样本数确定；设置所要求的训练精度，其值取很小的正数；
步骤5.3、输入全部学习样本数据训练BP神经网络，计算各层神经元的输入和输出，并计算输出层的均方误差；
步骤5.4、判断训练精度，如果均方误差的值大于所要求的训练精度，则根据学习率和动量因子调整各权值和阈值的值并重新输入学习样本进行训练，直到均方误差小于或等于所要求的训练精度，记录此时的BP神经网络的各权值和阈值的值，弧形钢闸门参数荷载识别的BP神经网络模型训练完毕；
步骤6、检验参数荷载识别的BP神经网络模型的有效性，具体按照以下步骤实施：
步骤6.1、将步骤3中的时程分析结果作为检验样本检验弧形钢闸门参数荷载神经网络识别模型的效果，将动力响应数据经过式(7)归一化处理后输入步骤5中训练好的BP神经网络模型，经过神经网络映射计算获得输出值；
步骤6.2、将神经网络的输出值(识别值)与实际的参数荷载(真实值)进行比较，计算两者的误差，如果误差在允许范围内，则认为神经网络的输出即为待求值，即有效识别出弧形钢闸门的参数荷载，否则改变步骤5中的计算参数，重新训练网络，直到误差满足要求为止。
在本发明的方法中：步骤1的作用是建立弧形钢闸门空间框架的简化模型，以此构建参数荷载的识别模型，该简化模型能正确反映弧形钢闸门的动力特性，以往在构建弧形闸门的简化力学模型时，通常采用集中质量法，集中质量法将结构简化为带有集中质量的简化模型，容易造成模态丢失，不能充分反映闸门的动力特性，而步骤1的做法则充分考虑了闸门主框架各组成构件对动力特性的贡献；
在本发明的方法中：步骤2的作用是建立弧形钢闸门参数振动的有限元方程，为结构动力时程分析提供理论模型，在形成有限元特征矩阵M、C、K、S时，摈弃了传统的低阶多项式作为形函数的做法，采用的形函数为满足杆件自由振动微分方程的精确形函数，将杆件划分较少的单元即可，可以提高计算精度和计算效率；
在本发明的方法中：步骤3的作用是对参数振动有限元方程进行时程分析获得动力响应数据，从而为参数荷载识别模型提供样本数据，弧形钢闸门参数荷载识别模型的样本数据可以是模型试验数据，也可以是根据理论模型计算得到的结果，由于弧形钢闸门的模型试验比较复杂，时程分析则相对简单，且求解过程清晰明了，结果可靠，因此本发明采用时程分析计算的结果作为学习样本及检验样本；
在本发明的方法中：步骤4的作用是构建参数荷载的识别模型，弧形钢闸门的参数振动是一个极其复杂的流固耦合动力系统，存在较强的非线性，神经网络算法则具有极强的非线性映射、自学和处理复杂系统的能力，通过自学能够最佳逼近任意函数关系，被越来越广泛地应用于结构的辨识中，可用于构建参数荷载的识别模型，将作用在弧形钢闸门各支臂上的参数荷载等效为一个作用点的集中荷载作为输入，将各测点的动力响应作为输出，弧形闸门的参数振动系统就简化为多输入多输出的动力系统，根据该动力系统反向构建参数荷载BP神经网络识别模型，该神经网络模型包含1个输入层、1个隐层和1个输出层，输入层神经元的个数由测点的个数确定，输出层神经元的个数由作用在支臂上的参数荷载的个数确定，隐层神经元的个数取10；
在本发明的方法中：步骤5的作用是通过样本数据训练神经网络模型，关键是要合理确定神经网络的相关算参数，包括：神经网络的连接权值、神经元的阈值、学习率、动量因子、学习样本数及训练的精度等，训练过程完毕时记录此时BP神经网络的各连接权值和阈值的值；
在本发明的方法中：步骤6的作用是检验参数荷载识别模型的有效性，仍然选用时程分析的结果作为检验样本，确定参数荷载识别模型精度的标准，不断修改计算参数，最终建立能有效识别弧形钢闸门参数荷载的识别模型。
针对图2所示的某弧形钢闸门空间框架简化模型，通过应用本发明提出的方法，对于给定的某周期性参数荷载，获得该弧形钢闸门参数荷载的识别值和真实值的对比图如图4所示；采用的相关计算参数为：采样时间为100s，采样间隔即时间步长为0.05s，学习样本1000个，检验样本2000个，学习率为0.25，动量因子为0.15，训练精度为0.001；从图4中可以看出，应用本发明提出的方法识别出的参数荷载和荷载的真实值吻合地相当好，识别精度高，最大误差约为1.5％，满足工程精度要求，这充分验证了该方法在弧形钢闸门参数荷载识别中的有效性和精确性，可为实际工程应用提供参考。

Claims (7)

1.一种水工弧形钢闸门参数荷载识别方法，其特征在于，具体按照以下步骤实施：
步骤1、根据弧形钢闸门的结构特点，建立反映原型弧形钢闸门动力特性的空间框架简化模型；
步骤2、根据空间框架简化模型构建弧形钢闸门参数振动有限元动力微分方程；
步骤3、根据给定的荷载对参数振动有限元方程进行动力时程分析；
步骤4、构建参数荷载识别的BP神经网络模型；
步骤5、将动力时程分析的数据作为学习样本训练参数荷载识别的BP神经网络模型；
步骤6、检验参数荷载识别的BP神经网络模型的有效性。
2.根据权利要求1所述的一种水工弧形钢闸门参数荷载识别方法，其特征在于，所述步骤1具体按照以下步骤实施：
步骤1.1、应用有限元软件分析弧形钢闸门的动力特性，根据闸门的结构特点，对不同的构件选用合适的单元进行模拟，获得闸门的自振频率及振型；
步骤1.2、考虑面板的影响，将面板质量分配在主横梁上，忽略曲梁曲率的影响，以直梁代替曲梁，经过结构简化建立弧形钢闸门的空间框架简化模型，采用动力刚度法分析该简化模型的动力特性，获得其自振频率及振型；
步骤1.3、比较弧形钢闸门及其空间框架简化模型的动力特性，以二者相近为原则调整空间框架简化模型，确定面板的质量分配比例及各构件的尺寸，确定参数荷载在各支臂上的分配，最终建立能反映原型闸门动力特性的简化模型。
3.根据权利要求1所述的一种水工弧形钢闸门参数荷载识别方法，其特征在于，所述步骤2具体为，建立的弧形钢闸门参数振动有限元动力微分方程为：
Figure FDA0002977158430000021
式中，M、C、K、S分别为空间框架的质量矩阵、阻尼矩阵、弹性刚度矩阵和几何刚度矩阵，在形成有限元特征矩阵M、C、K、S时，采用的形函数为满足杆件自由振动微分方程的精确形函数；
Figure FDA0002977158430000022
x(t)分别为加速度、速度和位移向量，t表示时间；P0+Ptcosθt＝P(t)为参数荷载，P0为静力荷载，Ptcosθt为动力荷载，Pt为幅值，θ为频率。
4.根据权利要求1所述的一种水工弧形钢闸门参数荷载识别方法，其特征在于，所述步骤3具体按照以下步骤实施：
步骤3.1、设置相关参数并计算积分常数：
选择时间步长Δt＝ti+1-ti(i＝0,1,2,3……)，ti+1和ti分别表示相邻的两时刻；设置参数β和γ的值，β取区间[0,0.25]上的值，为保证时程分析法具有二阶精度，γ的值取0.5；计算积分常数：
Figure FDA0002977158430000023
Figure FDA0002977158430000024
a6＝Δt(1-γ)，a7＝γΔt；确定
Figure FDA0002977158430000025
x(t)的初始时刻的值
Figure FDA0002977158430000026
x(t0)；
步骤3.2、形成等效刚度矩阵
Figure FDA0002977158430000027
Figure FDA0002977158430000028
步骤3.3、计算ti+1时刻的等效荷载
Figure FDA0002977158430000029
Figure FDA00029771584300000210
步骤3.4、由下式求解ti+1时刻的位移x(ti+1)：
Figure FDA0002977158430000031
步骤3.5、计算ti+1时刻的加速度和速度：
Figure FDA0002977158430000032
Figure FDA0002977158430000033
重复步骤3.3-步骤3.5，得到所选取时间段的任一时间点的动力响应。
5.根据权利要求1所述的一种水工弧形钢闸门参数荷载识别方法，其特征在于，所述步骤4具体为，构建BP神经网络模型来识别弧形钢闸门的参数荷载，该BP神经网络模型的拓扑结构为：包含1个输入层、1个隐层和1个输出层，输入层的输入为结构的动力响应，输入层神经元的个数由测点的个数确定，输出层的输出为参数荷载，输出层神经元的个数由作用在支臂上的参数荷载的个数确定，隐层神经元的个数取10。
6.根据权利要求1所述的一种水工弧形钢闸门参数荷载识别方法，其特征在于，所述步骤5具体按照以下步骤实施：
步骤5.1、将步骤3中的荷载及对应的时程分析结果作为样本数据，选择部分样本数据作为学习样本训练参数荷载识别的BP神经网络模型，动力响应数据作为神经网络的输入，对应的荷载数据作为神经网络的输出，采用线性插值公式对样本数据作归一化处理：
Figure FDA0002977158430000034
式中，xi和x′i分别为归一化前、后的样本数据，xmin和xmax分别为样本数据的最大值和最小值；
步骤5.2、设置BP神经网络的相关计算参数，包括：初始化BP神经网络的连接权值和阈值，其值在区间[0,1]上随机选取；设置学习率和动量因子的值，其值在区间[0,1]上选取；设置样本数，样本数由步骤5.1中选取的学习样本数确定；设置所要求的训练精度；
步骤5.3、输入全部学习样本数据训练BP神经网络，计算各层神经元的输入和输出，并计算输出层的均方误差；
步骤5.4、判断训练精度，如果均方误差的值大于所要求的训练精度，则根据学习率和动量因子调整各权值和阈值的值并重新输入学习样本进行训练，直到均方误差小于或等于所要求的训练精度，记录此时的BP神经网络的各权值和阈值的值，弧形钢闸门参数荷载识别的BP神经网络模型训练完毕。
7.根据权利要求1所述的一种水工弧形钢闸门参数荷载识别方法，其特征在于，所述步骤6具体按照以下步骤实施：
步骤6.1、将步骤3中的时程分析结果作为检验样本检验弧形钢闸门参数荷载神经网络识别模型的效果，将动力响应数据经过归一化处理后输入步骤5中训练好的BP神经网络模型，经过神经网络映射计算获得输出值；
步骤6.2、将神经网络的输出值与实际的参数荷载进行比较，计算两者的误差，如果误差在允许范围内，则认为神经网络的输出即为待求值，即有效识别出弧形钢闸门的参数荷载，否则改变步骤5中的计算参数，重新训练网络，直到误差满足要求为止。
CN202110277298.0A 2021-03-15 2021-03-15 一种水工弧形钢闸门参数荷载识别方法 Active CN113158297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110277298.0A CN113158297B (zh) 2021-03-15 2021-03-15 一种水工弧形钢闸门参数荷载识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110277298.0A CN113158297B (zh) 2021-03-15 2021-03-15 一种水工弧形钢闸门参数荷载识别方法

Publications (2)

Publication Number Publication Date
CN113158297A true CN113158297A (zh) 2021-07-23
CN113158297B CN113158297B (zh) 2022-11-08

Family

ID=76887585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110277298.0A Active CN113158297B (zh) 2021-03-15 2021-03-15 一种水工弧形钢闸门参数荷载识别方法

Country Status (1)

Country Link
CN (1) CN113158297B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117034430A (zh) * 2023-09-11 2023-11-10 湘潭大学 基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003261921A (ja) * 2002-03-07 2003-09-19 Yokogawa Bridge Corp 水門システム
CN106021801A (zh) * 2016-06-06 2016-10-12 华北水利水电大学 一种基于特征参量的弧形钢闸门优化设计方法
CN106096142A (zh) * 2016-06-14 2016-11-09 华北水利水电大学 水工弧形钢闸门约束阻尼层减振设计方法
WO2016197552A1 (zh) * 2015-06-08 2016-12-15 广东工业大学 基于模型识别与等效简化的高速平台运动参数自整定方法
CN107975014A (zh) * 2017-11-30 2018-05-01 西安理工大学 用于水工弧形钢闸门参数振动主动控制的装置及控制方法
CN108153155A (zh) * 2017-12-30 2018-06-12 华能澜沧江水电股份有限公司 一种基于多重回归算法的水电站泄洪闸门的建模及计算方法
CN111507030A (zh) * 2020-03-20 2020-08-07 黄河水利委员会黄河水利科学研究院 基于大涡模拟的水工钢闸门流激振动分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003261921A (ja) * 2002-03-07 2003-09-19 Yokogawa Bridge Corp 水門システム
WO2016197552A1 (zh) * 2015-06-08 2016-12-15 广东工业大学 基于模型识别与等效简化的高速平台运动参数自整定方法
CN106021801A (zh) * 2016-06-06 2016-10-12 华北水利水电大学 一种基于特征参量的弧形钢闸门优化设计方法
CN106096142A (zh) * 2016-06-14 2016-11-09 华北水利水电大学 水工弧形钢闸门约束阻尼层减振设计方法
CN107975014A (zh) * 2017-11-30 2018-05-01 西安理工大学 用于水工弧形钢闸门参数振动主动控制的装置及控制方法
CN108153155A (zh) * 2017-12-30 2018-06-12 华能澜沧江水电股份有限公司 一种基于多重回归算法的水电站泄洪闸门的建模及计算方法
CN111507030A (zh) * 2020-03-20 2020-08-07 黄河水利委员会黄河水利科学研究院 基于大涡模拟的水工钢闸门流激振动分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHEN, YONGKANG等: "Effective width analysis of a panel involved in the main beam bending of a steel arc gate in deep outlet", 《JOURNAL OF HYDROELECTRIC ENGINEERING》 *
杨世浩等: "水工弧形闸门流激振动的改进简化力学模型", 《中国农村水利水电》 *
牛志国等: "弧形闸门参数振动的有限元分析", 《水力发电学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117034430A (zh) * 2023-09-11 2023-11-10 湘潭大学 基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质
CN117034430B (zh) * 2023-09-11 2024-01-09 湘潭大学 基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质

Also Published As

Publication number Publication date
CN113158297B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
Atalla et al. On model updating using neural networks
CN107729706B (zh) 一种非线性机械系统的动力学模型构建方法
KR101965879B1 (ko) 인공신경망 기반 고층 구조물 응력 예측모델 시스템, 이를 이용한 안전평가 시스템 및 그 평가방법
US11709979B1 (en) Bridge damage identification method considering uncertainty
Jiang et al. A novel time-domain dynamic load identification numerical algorithm for continuous systems
CN114117840B (zh) 一种基于仿真和试验数据混合驱动的结构性能预测方法
GB2384340A (en) Fatigue sensitivity determination procedure
CN110017929B (zh) 基于子结构灵敏度分析的船撞桥荷载与损伤同步识别方法
CN106777549B (zh) 一种面向荷载试验的桥梁多尺度有限元模拟方法
CN106909738B (zh) 一种模型参数辨识方法
Liu et al. Explicit polynomial regression models of wind characteristics and structural effects on a long‐span bridge utilizing onsite monitoring data
CN115688288B (zh) 飞行器气动参数辨识方法、装置、计算机设备及存储介质
CN113158297B (zh) 一种水工弧形钢闸门参数荷载识别方法
CN110162895A (zh) 一种两阶段的高能效船型优化设计方法
Huang et al. Wavelet‐based approach of time series model for modal identification of a bridge with incomplete input
CN112816352A (zh) 工程结构损伤识别方法、装置、计算机设备及存储介质
Elkafafy et al. Machine learning and system identification for the estimation of data-driven models: An experimental case study illustrated on a tire-suspension system
Li et al. Deep learning models for time-history prediction of vehicle-induced bridge responses: A comparative study
CN106446384B (zh) 一种桥式起重机主梁结构的损伤识别方法
Kavrakov et al. Data-driven aerodynamic analysis of structures using Gaussian Processes
Tang et al. The estimation method of normalized Nonlinear Output Frequency Response Functions with only response signals under stochastic excitation
Wen et al. Application of Improved Combined Deterministic‐Stochastic Subspace Algorithm in Bridge Modal Parameter Identification
CN115481488B (zh) 基于机器学习的方锥式吸能结构耐撞性能多目标优化方法
CN115033977B (zh) 一种基于神经网络技术的地面实测脉动压力参数辨识方法
CN111625987B (zh) 一种基于深度学习的湍流模型生成方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant