CN113638305A - 一种铅挤压复合旋叶式粘滞阻尼器及其应用方法 - Google Patents

一种铅挤压复合旋叶式粘滞阻尼器及其应用方法 Download PDF

Info

Publication number
CN113638305A
CN113638305A CN202110936898.3A CN202110936898A CN113638305A CN 113638305 A CN113638305 A CN 113638305A CN 202110936898 A CN202110936898 A CN 202110936898A CN 113638305 A CN113638305 A CN 113638305A
Authority
CN
China
Prior art keywords
cylinder
piston rod
wall
rotary vane
viscous damper
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.)
Pending
Application number
CN202110936898.3A
Other languages
English (en)
Inventor
颜学渊
郭桐含
杨国
黄晓锋
缪颖
汤昌环
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.)
Fuzhou University
Fujian Jiuding Construction Engineering Co Ltd
Fujian Minqing Yijian Construction Development Co Ltd
Original Assignee
Fuzhou University
Fujian Jiuding Construction Engineering Co Ltd
Fujian Minqing Yijian Construction Development Co Ltd
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 Fuzhou University, Fujian Jiuding Construction Engineering Co Ltd, Fujian Minqing Yijian Construction Development Co Ltd filed Critical Fuzhou University
Priority to CN202110936898.3A priority Critical patent/CN113638305A/zh
Publication of CN113638305A publication Critical patent/CN113638305A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01D—CONSTRUCTION OF BRIDGES, ELEVATED ROADWAYS OR VIADUCTS; ASSEMBLY OF BRIDGES
    • E01D19/00—Structural or constructional details of bridges
    • E—FIXED CONSTRUCTIONS
    • E04—BUILDING
    • E04B—GENERAL BUILDING CONSTRUCTIONS; WALLS, e.g. PARTITIONS; ROOFS; FLOORS; CEILINGS; INSULATION OR OTHER PROTECTION OF BUILDINGS
    • E04B1/00—Constructions in general; Structures which are not restricted either to walls, e.g. partitions, or floors or ceilings or roofs
    • E04B1/62—Insulation or other protection; Elements or use of specified material therefor
    • E04B1/92—Protection against other undesired influences or dangers
    • E04B1/98—Protection against other undesired influences or dangers against vibrations or shocks; against mechanical destruction, e.g. by air-raids
    • E—FIXED CONSTRUCTIONS
    • E04—BUILDING
    • E04H—BUILDINGS OR LIKE STRUCTURES FOR PARTICULAR PURPOSES; SWIMMING OR SPLASH BATHS OR POOLS; MASTS; FENCING; TENTS OR CANOPIES, IN GENERAL
    • E04H9/00—Buildings, groups of buildings or shelters adapted to withstand or provide protection against abnormal external influences, e.g. war-like action, earthquake or extreme climate
    • E04H9/02—Buildings, groups of buildings or shelters adapted to withstand or provide protection against abnormal external influences, e.g. war-like action, earthquake or extreme climate withstanding earthquake or sinking of ground
    • E04H9/021—Bearing, supporting or connecting constructions specially adapted for such buildings
    • E04H9/0237—Structural braces with damping devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Architecture (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Emergency Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Buildings Adapted To Withstand Abnormal External Influences (AREA)

Abstract

本发明涉及桥梁减震技术领域，公开了一种铅挤压复合旋叶式粘滞阻尼器及其应用方法，包括第一筒体和第二筒体，第一筒体设于第二筒体内部，第一筒体与第二筒体之间留有空腔，第一筒体和空腔内均填充有阻尼材料，第一筒体的上设有内螺纹套筒，第二筒体的一侧外侧壁上设有第一销头，另一侧外侧壁上设有活塞杆，活塞杆的一侧端部上设有第二销头，另一侧端部自内螺纹套筒穿入第一筒体内，活塞杆的杆壁开上设有外螺纹，活塞杆与内螺纹套筒螺接在一起，活塞杆穿入第一筒体内的杆壁上设有叶片，活塞杆的杆壁上还设有挤压凸环，挤压凸环设于活塞杆处于空腔内的杆壁上；本发明具有耗能机制多样、小震下耗能能力好、整体耗能效果好的特点。

Description

一种铅挤压复合旋叶式粘滞阻尼器及其应用方法
技术领域
本发明涉及桥梁减震技术领域，具体涉及一种铅挤压复合旋叶式粘滞阻尼器及其应用方法。
背景技术
目前，人们的出行由以前的步行渐渐发展成由交通工具代步，如汽车、火车、飞机、轮船等，相对应的公路、铁路等一系类的道路开始出现，并且在发展过程中渐渐的由路面建设发展到空中建设，在这样的条件下，桥梁的作用也越加的重要，因为在长路程的公路建造中，经常要跨越河流、山谷等地方，因此需要通过桥梁来进行连接；在桥梁建设中，令桥梁具备有良好的减震性能，能够的极大的提高桥梁的使用寿命和避免安全事故的发生。
阻尼器是一种利用阻尼特性来减缓机械振动及消耗动能的装置，阻尼器主要有液体阻尼器、气体阻尼器和电磁阻尼器三类，经过发展，阻尼器现已被广泛的应用到航天、航空、军工、建筑等行业中，将阻尼器运用在桥梁建设，特别是斜拉桥中，已是一种常见的技术手段。
但是，目前常见的阻尼器存在有耗能机制单一、小震下耗能能力不足、耗散能量效果较差的问题，如中国专利授权公告号为CN2572130Y的一篇实用新型专利，其公开了一种粘滞阻尼器，包括缸体、活塞、活塞杆、阻尼材料腔、密封端套、密封环，所述的缸体采用刚性材料，所述的活塞设在缸体内，所述的活塞杆一端与活塞连接，另一端伸出缸体之外，所述的阻尼材料腔设在缸体内，其内填充了高粘度阻尼材料，所述的密封端套设在缸体的端部，所述的密封环设在密封端套的内侧，该粘滞阻尼器仅通过活塞轴向往复运动进行耗能，耗能能力随活塞速度变化，仅为速度型耗能方式，耗能机制单一，存在小震下耗能能力不足、耗散能量效果较差的问题；
又如中国专利授权公告号为CN208981113U的一篇实用新型专利，其公开了一种铅挤压阻尼器，包括有接头、钢棒、端盖、轴承、圆筒体、套管；所述圆筒体为中空圆柱体结构；所述端盖钢质圆柱结构，该端盖的顶端垂直向侧边延伸形成卡槽；所述套管为中空圆柱体；所述套管的底端紧靠于圆筒体尾端的端盖；所述轴承的顶端垂直向侧边延伸形成卡槽，卡槽的外径与圆筒体的内径相同，轴承将圆筒体内部形成一个密封空间防止铅外泄；所述钢棒为实心圆柱体，该钢棒的顶端通过焊接与接头进行连接，钢棒与圆筒体内部有一定间隙，该间隙内有填充有铅；所述接头为圆锥状钢质结构，共有两个，该接头的顶端开有圆孔，尾端的接头通过焊接与端盖连接；该铅挤压阻尼器仅采用铅挤压对地震能量进行耗散，属于位移相关型耗能方式，耗能机制单一，同样存在小震下耗能能力不足、耗散能量效果较差的问题。
发明内容
有鉴于此，本发明提供一种铅挤压复合旋叶式粘滞阻尼器及其应用方法。
为了解决上述技术问题，本发明的技术方案是：第一方面，本发明提供一种铅挤压复合旋叶式粘滞阻尼器，包括第一筒体和第二筒体，第一筒体设于第二筒体内部，第一筒体的外壁与第二筒体内壁之间留有空腔，第一筒体和空腔内均填充有阻尼材料，第一筒体的一侧内侧壁上设有内螺纹套筒，第二筒体的一侧外侧壁上设有第一销头，另一侧外侧壁上设有呈活动贯穿设置的活塞杆，活塞杆远离第二筒体侧的端部上设有第二销头，活塞杆贴近第二筒体侧的端部自内螺纹套筒穿入第一筒体内，活塞杆的杆壁开上设有与内螺纹套筒螺纹相适应的外螺纹，活塞杆通过外螺纹与内螺纹套筒螺接在一起，活塞杆穿入第一筒体内的杆壁上设有叶片，活塞杆的杆壁上还设有挤压凸环，挤压凸环设于活塞杆处于空腔内的杆壁上。
优选的，所述第一筒体为橡胶保护套，第一筒体的内部贴近其两侧端部位置均设有支撑套，支撑套的外壁与第一筒体的内壁呈贴紧设置，第一筒体的内壁上还涂覆有石墨烯隔热层。
优选的，所述第二筒体呈一侧端部为开放式结构设置，第二筒体的此侧端部上设有覆盖第二筒体此侧端部的端盖，端盖通过设置连接螺栓可拆卸连接于第二筒体的此侧端部上，第一销头设于端盖上。
优选的，所述第二筒体的内壁上设有固定块，固定块处于空腔内，固定块上设有SMA绞线，SMA绞线一端接于固定块上，另一端接于活塞杆上。
另一方面，本发明提供一种铅挤压复合旋叶式粘滞阻尼器的应用方法，包括以下步骤：
步骤S1：将铅挤压复合旋叶式粘滞阻尼器接于斜拉桥的拉索上，之后在斜拉桥上布置监测点；
步骤S2：建立BP神经网络模型，并设置各网络参数；
步骤S3：对建立的BP神经网络模型实施粒子群算法优化，获得最优网络权值和阈值；
步骤S4：对建立的BP神经网络模型进行训练，并建立误差条件，建立的BP神经网络模型对其所输出的误差根据所建立的误差条件进行判断，若输出的误差满足误差条件，则转向步骤S5，若输出的误差不满足误差条件，则转向步骤S04；
步骤S5：训练完毕，训练完成的BP神经网络模型预测斜拉桥位移模型，并对危险的预测结果实行告警处理；
步骤S04：调整网络阈值，并转向步骤S4。
优选的，所述步骤S1进行布置监测点时，使用加权算法将若干监测点分成不同的优先级，对不同优先级的数据预处理不同，监测点计算优先级的算法为：考虑地形因素、外部因素和受力条件因素，将前述因素作为输入条件并设定各占权重，最后引入优先级算法进行计算。
优选的，所述步骤S3中粒子群算法优化的算法为：搜索前期设置权重随机选取，搜索后期引入一个变异操作，将此时的全局最优位置赋入随机性防止陷入局部最小值，算式为：Pg’＝Pg*ξ*η；
其中，Pg’和Pg均为全局最优位置，ξ为一个带有随机值函数的值，η为高斯分布的随机向量；
ξ的算式为：ξ＝srand(0，1)*rand(-1.5，1.5)。
优选的，步骤S4中对建立的BP神经网络模型进行训练的方法包括以下步骤：
步骤S401：每次训练结束将误差最大值拿出来再次进行学习；
步骤S402：隐含层节点数选择自适应性的确定，具体为：设定迭代次数，学习迭代若干次后，若与误差条件相差很大，则将隐含层节点数数量加一，直至达到训练样本数数量减一为止，或满足设定的迭代次数为止；
步骤S403：进行输入节点设置时，应输入全部第一优先级的点以及与第一优先级相邻的点，并输入部分第二优先级的点。
优选的，所述步骤S3粒子群算法优化的算法为：将建立的BP神经网络模型的激活函数设置为双极S型函数，第一批粒子随机出现在各地，保存此时适应度最高的粒子固定，已知其距离最优值的距离，以此时适应度最高的粒子为圆心，以最优值距离的1.5倍长度为半径画圆，之后将其余粒子收回，在画出的圆内重新进行随机投放，并保存此时处于画出的圆内适应度最高的粒子固定，再重复前述画圆步骤，不断循环，直至找到最优位置。
优选的，所述步骤S1中对不同优先级的数据预处理不同具体为：优先级高的检测点告警可以抑制优先级低的检测点告警，优先级低的检测点告警无法抑制优先级高的检测点告警。
较之现有技术，本发明的优点在于：
1、本发明通过在活塞杆上设置叶片，在受到外力活塞杆进行活塞运动时，活塞杆在内螺纹套筒的作用下进行转动，此时，叶片会跟随活塞杆转动，叶片转动时会与第一筒体内的阻尼材料进行接触从而实现耗能，通过设置挤压凸环，在活塞杆进行活塞运动时，挤压凸环能够对空腔内的阻尼材料进行挤压，使得空腔内的阻尼材料发生形变，通过叶片和挤压凸环的设置，使得该阻尼器的耗能机制为速度－位移双耗能机制，在该阻尼器整体反应速度及变形较小的情况下，挤压凸环配合空腔内的阻尼材料能够充分发挥变形跟踪能力强、位移敏感程度的优点，而在速度较大的情况下，叶轮配合第一筒体内的阻尼材料能够充分发挥耗能高的优点，相较于现有技术，具有耗能机制多样、小震下耗能能力好、整体耗能效果好的优点。
2、本发明通过设置SMA绞线，在活塞杆进行转动时SMA绞线因拉伸产生变形能够产生反力，不仅能够进一步的实现耗能，还能够在活塞杆转动停止后为活塞杆的复位提供所需的力，方便该阻尼器的使用。
3、本发明通过提供该阻尼器的减震控制算法，能够大大增强其应用于斜拉桥的安全性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的结构示意图；
图2为A-A剖视图；
图3为B-B剖视图；
图4为本发明中BP神经网络的流程示意图；
图5为本发明中粒子群算法优化的流程图。
附图标记：1、第一筒体；2、第二筒体；3、空腔；4、内螺纹套筒；5、第一销头；6、活塞杆；7、第二销头；8、外螺纹；9、叶片；10、挤压凸环；11、支撑套；12、端盖；13、连接螺栓；14、固定块；15、SMA绞线。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参照图1～3，本发明提供一种铅挤压复合旋叶式粘滞阻尼器，包括第一筒体1和第二筒体2，第一筒体1设于第二筒体2内部，第一筒体1为橡胶保护套，第一筒体1的内部贴近其两侧端部位置均设有支撑套11，支撑套11的外壁与第一筒体1的内壁呈贴紧设置，支撑套11的设置用于对第一筒体1起到支撑作用，第一筒体1的外壁与第二筒体2内壁之间留有空腔3，第一筒体1和空腔3内均填充有阻尼材料，其中，第一筒体1内填充的阻尼材料为现有技术中常见的聚醚型聚氨酯液体，空腔3内填充的阻尼材料为现有技术中常见的铅，由于聚醚型聚氨酯液体的耐热性差，为防止外界温度对其性能产生影响，第一筒体1的内壁上涂覆有石墨烯隔热层，以此来隔绝外界温度对第一筒体1内部的影响。
第一筒体1的一侧内侧壁上设有内螺纹套筒4，第二筒体2的一侧外侧壁上设有第一销头5，另一侧外侧壁上设有呈活动贯穿设置的活塞杆6，活塞杆6远离第二筒体2侧的端部上转动连接有第二销头7，活塞杆6贴近第二筒体2侧的端部自内螺纹套筒4穿入第一筒体1内，活塞杆6的杆壁开上设有与内螺纹套筒4螺纹相适应的外螺纹8，活塞杆6通过外螺纹8与内螺纹套筒4螺接在一起，活塞杆6穿入第一筒体1内的杆壁上设有叶片9；需要说明的是，活塞杆6杆壁上的外螺纹8的螺距与内螺纹套筒4带有的内螺纹的螺距应足够宽，满足在活塞杆6有沿内螺纹套筒4方向进行活塞运动的运动趋势时，活塞杆6能够在外螺纹8和内螺纹连接的作用下进行转动，同时，内螺纹套筒4与活塞杆6连接的密封性应满足空腔3与第一筒体1内的阻尼材料互不流通；第二筒体2的内壁上设有固定块14，固定块14处于空腔3内，固定块14上设有SMA绞线15，SMA绞线15一端接于固定块14上，另一端接于活塞杆6上，活塞杆6的杆壁上设有挤压凸环10，挤压凸环10设于活塞杆6处于空腔3内的杆壁上；通过前述设置，在受到外力活塞杆6进行活塞运动时，此时，活塞杆6在内螺纹套筒4的作用下还会进行转动，以此带动叶片9在第一筒体1内进行转动，使得叶片9与第一筒体1内的阻尼材料接触，从而实现耗能，同时，活塞杆6进行活塞运动时，挤压凸环10会对空腔3内的阻尼材料进行挤压，使得空腔3内的阻尼材料发生塑性变形从而进一步进行耗能，并且，活塞杆6转动时SMA绞线15因拉伸产生变形能够产生反力，不仅能够进行耗能，还能为活塞杆6的复位提供所需的力。
为方便该阻尼器的拆装，第二筒体2呈一侧端部为开放式结构设置，第二筒体2的此侧端部上设有覆盖第二筒体2此侧端部的端盖12，端盖12通过设置连接螺栓13可拆卸连接于第二筒体2的此侧端部上，第一销头5设于端盖12上，通过前述设置，可通过取下连接螺栓13从而将端盖12自第二筒体2为开放式结构的端部上取下，从而进行如取出第一筒体1、对第一筒体1内阻尼材料和空腔3内阻尼材料进行更换的操作。
实施例：请参照图1～5，本实施例提供一种铅挤压复合旋叶式粘滞阻尼器的应用方法，包括以下步骤：
步骤S1：将铅挤压复合旋叶式粘滞阻尼器接于斜拉桥的拉索上，之后在斜拉桥上布置监测点，以此获取形变样本数据，需要说明的时，在设置监测点时，应根据桥梁特征尽可能的在全长范围内布置测点，以期望从总体上较全面的获得全桥结构的信息，可在桥梁悬臂段上多布置监测点，以加强对悬臂端施工标高的控制，在桥梁合拢位置重点布设对其进监测点的优先级划分；
获取形变样本数据的方式为：通过使用形变传感器和形变采集器，将形变传感器和形变采集器接于选取的各监测点上，之后设置各监测点的优先级，再进行形变样本数据的获取和预测；
各监测点的优先级设置算法为：使用加权算法将若干监测点分成不同的优先级，对不同优先级的数据预处理不同，对不同优先级的数据预处理不同具体为：优先级高的检测点告警可以抑制优先级低的检测点告警，优先级低的检测点告警无法抑制优先级高的检测点告；优先级等级自高至低的划分为第一优先级、第二优先级、第三优先级、……、第n优先级、第n+1优先级；监测点计算优先级的算法为：考虑地形因素、外部因素和受力条件因素，将前述因素作为输入条件并设定各占权重，最后引入优先级算法进行计算，选取的各因素以及各占权重需根据桥梁所在的实际地理位置进行选择带入；本实施例中监测点计算优先级算法的算式为：
Figure BDA0003213590520000071
其中，mn(x)代表具体优先值，其值越高则优先级等级越高，Wm(x)代表不同因素的所占权重，yi代表不同因素值；
形变样本数据获取和预测的算法为：获取各监测点从此时开始第一时间段内的形变监测数据，以此作为样本数据，并对第二段时间内该些监测点的位移形变进行预测然后进行样本数据的预处理，预处理的方式为：对样本数据进行预处理，以剔除特殊因素造成的结果，重点关注优先级靠前的监测点的数据，并对某些不合理的数据进行分析，处理后的数据进行归一化处理，以此得到所需样本数据集；
归一化处理所用的算式为：
Figure BDA0003213590520000081
其中，X'为样本归一化处理后的值，其值域在-1，1之间，Xmax为样本数据中的最大值，Xmin为样本数据中的最小值，X为样本数据值；
步骤S2：建立BP神经网络模型，并设置各网络参数；具体方式为：采用MATLAB软件中的newff函数构建BP神经网络，首先确定输入层、隐含层和输出层的具体结构参数，然后将需要训练的数据作为输入层输入，并给出期望输出值；以BTF作为训练函数，设为“trainbr”，以BLF为学习算法，设为“l earngdm”；BP神经网络主要由一个输入层LA、一个或多个隐含层LB、一个输出层LC构成，设输入层到隐含层连接权值为v，隐含层到输出层的连接权值为w、隐含层的阈值为θ、输出层的阈值为γ，训练过程中利用层内各单元的泛化误差和隐含层输出校正权w和阈值γ，调整各传输层之间的连接权v和门限θ，当网络的全局误差达到事先设定好的值时，网络收敛训练结束；
之后进行网络训练，取第一优先级监测点形变变化的前三天数据和空域特征6个样本来预测前述所取的第一优先级监测点第五天的变形值、时域特征和空域特征，空域特征6个样本为前述第一优先级监测点相邻的点的形变变化，预测的算法为，将所取的第一优先级监测点形变变化的前三天数据和空域特征6个样本共9个样本作为网络输入样本，将时间序列和相邻点都作为输入样本影响因素时，输入层单元个数为9，输出层单元个数为1，学习率为0.05，训练目标为0.001，同时设置最小均方根误差训练参数，进行BP神经网络训练，激活函数采取双极S型函数；
步骤S3：对建立的BP神经网络模型实施粒子群算法优化，获得最优网络权值和阈值；
粒子群算法优化BP神经网络的具体步骤为：
步骤S301：对粒子群的参数进行初始化，PSO参数设置如下：设置种群规模N＝50此时收敛速度最快；空间维数D＝2；学习因子c1＝c2＝2；最大迭代次数＝150；粒子维数＝121；位置边界-1，1；惯性权重和粒子速度设置范围-5～5；
步骤S302：初始化粒子群的初始位置和初始速度，设置粒子群参数，在此阶段确保粒子的运动轨迹和运行速度都处在一个设定范围以内，且赋予粒子群一个全局最优位置以及一个自身最优位置；
步骤S303：计算种群粒子的适应度值；适应度函数是评价个体质量的函数，PSO-BP神经网络模型的适应度函数定义为输出值与样本值的均方误差：
Figure BDA0003213590520000091
式中：δMSE为种群粒子的适应度值，N为训练样本个数；yi为第i个样本的实测值；si为第i个样本的预测值；
步骤S304：第一批粒子随机出现在各地，保存此时适应度最高的粒子，将其固定并记录此时位置与适应度值，记录下此时全局最优粒子距最优值的距离；
步骤S305：设置粒子的速度和位置更新公式，利用粒子的速度与位置更新公式更新粒子的速度与位置。
步骤S306：若无法满足目标函数值，则以其距最优距离位置的直线长度的1.5倍长度为半径画圆，将除全局最优粒子外的其余粒子收回，在圆周范围内随机投放，圆周范围外则不再投放，不断循环迭代，直至满足目标函数值或达到最大迭代次数为止；
其中，迭代过程包括以下步骤：
步骤S3061：迭代前期，设置权重随机选取，即令粒子的初始位置与初始速度随机，其计算公式如下：
ω＝μ+σ*N(0,1)
μ＝μmin+(μmax-μmin)*rand(0,1)
其中，ω代表惯性权重，N(0,1)表示正态分布的随机数，rand(0,1)表示0到1之间的随机数，μmax表示随机惯性权重的最大值，μmin表示随机惯性权重的最小值，μ表示随机惯性权重值，σ方差用来度量随机变量权重与其数学期望之间的偏离值；
步骤S3062：迭代后期，引入一个变异操作，将此时的全局最优位置赋入随机性防止陷入局部最小值，算式为：Pg’＝Pg*ξ*η，
其中，Pg’和Pg均为全局最优位置，ξ为一个带有随机值函数的值，η为高斯分布的随机向量，这个公式主要是为了赋入其随机性；
并且，ξ的算式为：ξ＝srand0，1*rand-1.5，1.5；
其中，srand和rand均为两个随机函数，目的是给数值赋予一个随机性，即srand0，1为在0到1的范围内随机取一个数字，rand-1.5，1.5为在-1.5到1.5的范围内随机取一个数字；
之后，设置粒子的速度和位置更新公式，运用式1～2，利用粒子的速度与位置更新公式更新粒子的速度与位置，得到粒子适应度更新值，根据新的适应度值重复更新粒子的个体极值和全局极值；
式1具体为：vi.j(t+1)＝wvi.j(t)+c1r1[pi.j-xi.j(t)]+c2r2[pg.j-xi.j(t)]
式2具体为：xi.j(t+1)＝xi.j(t)+vi.j(t+1)
其中，t代表程序的迭代次数；ω代表惯性权重；c1、c2均代表学习因子，也称加速常数，取c1＝c2＝2；r1、r2为[0，1]范围内的均匀随机数；pi,j代表当前个体所搜索到的最优解；pg,j代表整个种群搜索到的最优解；vi,j粒子的运动速度，vi,j∈[-vmax,vmax],vmax是常数，根据用户设定来限制粒子的速度；xi,j代表粒子的个体参数，即决策变量值；
反复迭代后，当误差达到期望值或达到设定的最大迭代次数时，结束粒子群算法，此时，得到的全局极值作为BP神经网络的权值和阈值；
步骤S4：对建立的BP神经网络模型进行训练，对建立的BP神经网络模型进行训练的方法包括以下步骤：
步骤S401：每次训练结束将误差最大值拿出来再次进行学习；
步骤S402：隐含层节点数选择自适应性的确定，具体为：设定迭代次数，学习迭代若干次后，若与误差条件相差很大，则将隐含层节点数数量加一，直至达到训练样本数数量减一为止，或满足设定的迭代次数为止；
步骤S403：进行输入节点设置时，应输入全部第一优先级的点以及与第一优先级相邻的点，并输入部分第二优先级的点；
之后建立误差条件，建立的BP神经网络模型对其所输出的误差根据所建立的误差条件进行判断，若输出的误差满足误差条件，则转向步骤S5，若输出的误差不满足误差条件，则转向步骤S04；
在满足设定的迭代次数后，将最优粒子的位置向量值赋值给BP神经网络的权值和阈值，此时BP神经网络性能已接近最优，为避免训练过拟合，在进行BP神经网络训练时不需要设置过多的训练次数，设定最大训练循环次数为200，学习效率为0.01，目标精度为0.00001，训练函数选择trai n lm，将得到的最优权值和阈值赋值给BP神经网络，然后采用训练数据集进行网络训练，即可得到训练好的BP神经网络；
步骤S5：训练完毕，训练完成的BP神经网络模型预测斜拉桥位移模型，并对危险的预测结果实行告警处理；
步骤S04：调整网络阈值，并转向步骤S4。
以上只是本发明的典型实例，除此之外，本发明还可以有其它多种具体实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求保护的范围之内。

Claims (10)

1.一种铅挤压复合旋叶式粘滞阻尼器，其特征在于：包括第一筒体(1)和第二筒体(2)，第一筒体(1)设于第二筒体(2)内部，第一筒体(1)的外壁与第二筒体(2)内壁之间留有空腔(3)，第一筒体(1)和空腔(3)内均填充有阻尼材料，第一筒体(1)的一侧内侧壁上设有内螺纹套筒(4)，第二筒体(2)的一侧外侧壁上设有第一销头(5)，另一侧外侧壁上设有呈活动贯穿设置的活塞杆(6)，活塞杆(6)远离第二筒体(2)侧的端部上设有第二销头(7)，活塞杆(6)贴近第二筒体(2)侧的端部自内螺纹套筒(4)穿入第一筒体(1)内，活塞杆(6)的杆壁开上设有与内螺纹套筒(4)螺纹相适应的外螺纹(8)，活塞杆(6)通过外螺纹(8)与内螺纹套筒(4)螺接在一起，活塞杆(6)穿入第一筒体(1)内的杆壁上设有叶片(9)，活塞杆(6)的杆壁上还设有挤压凸环(10)，挤压凸环(10)设于活塞杆(6)处于空腔(3)内的杆壁上。
2.根据权利要求1所述的一种铅挤压复合旋叶式粘滞阻尼器，其特征在于：所述第一筒体(1)为橡胶保护套，第一筒体(1)的内部贴近其两侧端部位置均设有支撑套(11)，支撑套(11)的外壁与第一筒体(1)的内壁呈贴紧设置，第一筒体(1)的内壁上还涂覆有石墨烯隔热层。
3.根据权利要求1所述的一种铅挤压复合旋叶式粘滞阻尼器，其特征在于：所述第二筒体(2)呈一侧端部为开放式结构设置，第二筒体(2)的此侧端部上设有覆盖第二筒体(2)此侧端部的端盖(12)，端盖(12)通过设置连接螺栓(13)可拆卸连接于第二筒体(2)的此侧端部上，第一销头(5)设于端盖(12)上。
4.根据权利要求1所述的一种铅挤压复合旋叶式粘滞阻尼器，其特征在于：所述第二筒体(2)的内壁上设有固定块(14)，固定块(14)处于空腔(3)内，固定块(14)上设有SMA绞线(15)，SMA绞线(15)一端接于固定块(14)上，另一端接于活塞杆(6)上。
5.一种如权利要求1-4所述的铅挤压复合旋叶式粘滞阻尼器的应用方法，其特征在于：包括以下步骤：
步骤S1：将铅挤压复合旋叶式粘滞阻尼器接于斜拉桥的拉索上，之后在斜拉桥上布置监测点；
步骤S2：建立BP神经网络模型，并设置各网络参数；
步骤S3：对建立的BP神经网络模型实施粒子群算法优化，获得最优网络权值和阈值；
步骤S4：对建立的BP神经网络模型进行训练，并建立误差条件，建立的BP神经网络模型对其所输出的误差根据所建立的误差条件进行判断，若输出的误差满足误差条件，则转向步骤S5，若输出的误差不满足误差条件，则转向步骤S04；
步骤S5：训练完毕，训练完成的BP神经网络模型预测斜拉桥位移模型，并对危险的预测结果实行告警处理；
步骤S04：调整网络阈值，并转向步骤S4。
6.根据权利要求5所述的一种铅挤压复合旋叶式粘滞阻尼器的应用方法，其特征在于：所述步骤S1进行布置监测点时，使用加权算法将若干监测点分成不同的优先级，对不同优先级的数据预处理不同，监测点计算优先级的算法为：考虑地形因素、外部因素和受力条件因素，将前述因素作为输入条件并设定各占权重，最后引入优先级算法进行计算。
7.根据权利要求6所述的一种铅挤压复合旋叶式粘滞阻尼器的应用方法，其特征在于：所述步骤S3中粒子群算法优化的算法为：搜索前期设置权重随机选取，搜索后期引入一个变异操作，将此时的全局最优位置赋入随机性防止陷入局部最小值，算式为：Pg’＝Pg*ξ*η；
其中，Pg’和Pg均为全局最优位置，ξ为一个带有随机值函数的值，η为高斯分布的随机向量；
ξ的算式为：ξ＝srand(0，1)*rand(-1.5，1.5)。
8.根据权利要求5所述的一种铅挤压复合旋叶式粘滞阻尼器的应用方法，其特征在于：步骤S4中对建立的BP神经网络模型进行训练的方法包括以下步骤：
步骤S401：每次训练结束将误差最大值拿出来再次进行学习；
步骤S402：隐含层节点数选择自适应性的确定，具体为：设定迭代次数，学习迭代若干次后，若与误差条件相差很大，则将隐含层节点数数量加一，直至达到训练样本数数量减一为止，或满足设定的迭代次数为止；
步骤S403：进行输入节点设置时，应输入全部第一优先级的点以及与第一优先级相邻的点，并输入部分第二优先级的点。
9.根据权利要求5所述的一种铅挤压复合旋叶式粘滞阻尼器的应用方法，其特征在于：所述步骤S3粒子群算法优化的算法为：将建立的BP神经网络模型的激活函数设置为双极S型函数，第一批粒子随机出现在各地，保存此时适应度最高的粒子固定，已知其距离最优值的距离，以此时适应度最高的粒子为圆心，以最优值距离的1.5倍长度为半径画圆，之后将其余粒子收回，在画出的圆内重新进行随机投放，并保存此时处于画出的圆内适应度最高的粒子固定，再重复前述画圆步骤，不断循环，直至找到最优位置。
10.根据权利要求6所述的一种铅挤压复合旋叶式粘滞阻尼器的应用方法，其特征在于：所述步骤S1中对不同优先级的数据预处理不同具体为：优先级高的检测点告警可以抑制优先级低的检测点告警，优先级低的检测点告警无法抑制优先级高的检测点告警。
CN202110936898.3A 2021-08-16 2021-08-16 一种铅挤压复合旋叶式粘滞阻尼器及其应用方法 Pending CN113638305A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110936898.3A CN113638305A (zh) 2021-08-16 2021-08-16 一种铅挤压复合旋叶式粘滞阻尼器及其应用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110936898.3A CN113638305A (zh) 2021-08-16 2021-08-16 一种铅挤压复合旋叶式粘滞阻尼器及其应用方法

Publications (1)

Publication Number Publication Date
CN113638305A true CN113638305A (zh) 2021-11-12

Family

ID=78421952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110936898.3A Pending CN113638305A (zh) 2021-08-16 2021-08-16 一种铅挤压复合旋叶式粘滞阻尼器及其应用方法

Country Status (1)

Country Link
CN (1) CN113638305A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1594912A (zh) * 2004-06-22 2005-03-16 济南大学 可控粘滞性阻尼器
CN106763431A (zh) * 2017-01-17 2017-05-31 常州容大结构减振股份有限公司 一种旋转式粘滞流体阻尼器
CN207111820U (zh) * 2017-07-26 2018-03-16 武汉凌云海工程技术有限公司 粘滞阻尼器
CN110761431A (zh) * 2019-10-29 2020-02-07 北京交通大学 具有自复位功能的组合式减震阻尼器
CN111310902A (zh) * 2020-02-24 2020-06-19 石家庄铁道大学 神经网络模型的训练方法、边坡位移预测方法及相关装置
CN111625988A (zh) * 2020-03-10 2020-09-04 河北工程大学 基于深度学习的桥梁健康管理分析与预测系统及方法
CN111877580A (zh) * 2020-07-17 2020-11-03 福州大学 一种石墨散热复合型铅金属挤压粘滞阻尼器及其工作方法
CN212643408U (zh) * 2020-07-17 2021-03-02 福州大学 Tdi基聚醚型聚氨酯粘滞阻尼器
US20210133536A1 (en) * 2018-10-22 2021-05-06 Ennew Digital Technology Co., Ltd. Load prediction method and apparatus based on neural network
CN213270836U (zh) * 2020-06-30 2021-05-25 江苏工邦振控科技有限公司 一种摩擦粘滞流体复合阻尼器

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1594912A (zh) * 2004-06-22 2005-03-16 济南大学 可控粘滞性阻尼器
CN106763431A (zh) * 2017-01-17 2017-05-31 常州容大结构减振股份有限公司 一种旋转式粘滞流体阻尼器
CN207111820U (zh) * 2017-07-26 2018-03-16 武汉凌云海工程技术有限公司 粘滞阻尼器
US20210133536A1 (en) * 2018-10-22 2021-05-06 Ennew Digital Technology Co., Ltd. Load prediction method and apparatus based on neural network
CN110761431A (zh) * 2019-10-29 2020-02-07 北京交通大学 具有自复位功能的组合式减震阻尼器
CN111310902A (zh) * 2020-02-24 2020-06-19 石家庄铁道大学 神经网络模型的训练方法、边坡位移预测方法及相关装置
CN111625988A (zh) * 2020-03-10 2020-09-04 河北工程大学 基于深度学习的桥梁健康管理分析与预测系统及方法
CN213270836U (zh) * 2020-06-30 2021-05-25 江苏工邦振控科技有限公司 一种摩擦粘滞流体复合阻尼器
CN111877580A (zh) * 2020-07-17 2020-11-03 福州大学 一种石墨散热复合型铅金属挤压粘滞阻尼器及其工作方法
CN212643408U (zh) * 2020-07-17 2021-03-02 福州大学 Tdi基聚醚型聚氨酯粘滞阻尼器

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张烈平等: "《无线传感器网络节点定位技术研究》", 31 May 2019, 中国原子能出版社 *
金德锟等: "《民用飞机航空电子系统》", 31 December 2011, 上海交通大学出版社 *

Similar Documents

Publication Publication Date Title
Sun et al. Elman neural network soft-sensor model of conversion velocity in polymerization process optimized by chaos whale optimization algorithm
CN112000015B (zh) 一种基于lstm和生物激励神经网络的重型燃机控制系统控制器模块智能bit设计方法
CN107704875A (zh) 基于改进ihcmac神经网络的建筑负荷预测方法和装置
CN111177974A (zh) 基于双层嵌套寻优和子集模拟的结构小失效概率计算方法
Shen et al. A hybrid forecasting model for the velocity of hybrid robotic fish based on back-propagation neural network with genetic algorithm optimization
CN106980874B (zh) 一种面向配网大数据的多时态维度数据融合方法
Khatibinia et al. Seismic reliability-based design optimization of reinforced concrete structures including soil-structure interaction effects
CN112231938A (zh) 一种基于数值模拟的船舶连续破冰阻力预报方法
CN113638305A (zh) 一种铅挤压复合旋叶式粘滞阻尼器及其应用方法
CN116187199A (zh) 融合智能技术的非定常气动力建模方法
CN112989655B (zh) 闸板防喷器剪切性能预测方法、装置、设备及存储介质
Kookalani et al. Structural performance assessment of GFRP elastic gridshells by machine learning interpretability methods
Yang et al. Data augmentation considering distribution discrepancy for fault diagnosis of drilling process with limited samples
CN107180261B (zh) 基于滚动bp神经网络的温室小气候中长期预测方法
Luo et al. Ship motion trajectory and prediction based on vector analysis
Li et al. Study on the aerodynamic characteristics and galloping instability of conductors covered with sector-shaped ice by a wind tunnel test
CN117035060A (zh) 一种基于cc-midnn的飞机到港时间预测方法
CN115438588B (zh) 一种锂电池的温度预测方法、系统、设备及存储介质
Taylor et al. New developments in rain–wind-induced vibrations of cables
Yu et al. Longitudinal wind field prediction based on DDPG
CN114118249A (zh) 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法
CN113435127A (zh) 一种建筑结构的振动控制方法及控制装置
Mukesh et al. Aerodynamic optimization using proficient optimization algorithms
CN115329647B (zh) 一种基于sph的筒形件旋压成形过程分析方法
Li Hybrid Optimization for High Aspect Ratio Wings with Convolutional Neural Networks and Squirrel Optimization Algorithm

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