CN113868734A - 分布特性预测方法、装置和计算机可读存储介质 - Google Patents
分布特性预测方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113868734A CN113868734A CN202111052770.7A CN202111052770A CN113868734A CN 113868734 A CN113868734 A CN 113868734A CN 202111052770 A CN202111052770 A CN 202111052770A CN 113868734 A CN113868734 A CN 113868734A
- Authority
- CN
- China
- Prior art keywords
- defect
- steel pipe
- model
- pipe concrete
- random
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000007547 defect Effects 0.000 claims abstract description 260
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 137
- 239000010959 steel Substances 0.000 claims abstract description 137
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
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]
- G06F30/20—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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种分布特性预测方法、装置和计算机可读存储介质。所述分布特性预测方法包括以下步骤：建立钢管混凝土模型，基于所述钢管混凝土模型得到标准承载力；选取分布模型，设置随机变量以通过所述分布模型生成随机缺陷类型；在所述钢管混凝土模型内部生成所述随机缺陷类型，得到随机缺陷钢管混凝土模型，基于所述随机缺陷钢管混凝土模型得到缺陷承载力；将所述标准承载力和所述缺陷承载力进行对比，得到对比结果。通过实施本发明，使得有限元建模方法对内部缺陷的布置具备随机性，进而使得有限元模型能够与实际情况更为吻合，减小最终计算的承载力存在的偏差。
Description
技术领域
本发明涉及建筑结构设计领域，尤其涉及分布特性预测方法、装置和计算机可读存储介质。
背景技术
混凝土结构的质量缺陷判定，一直困扰着广大混凝土从业者。
目前对带缺陷钢管混凝土的承载力进行试验和非线性有限元分析研究的文献较多，但对随机生成缺陷的钢管混凝土的承载力的非线性有限元分析尚不多见。
现阶段建立的大多数有限元模型在考虑内部缺陷时，对于缺陷的位置、尺寸和形状等因素的设定人为干扰因素较多，建立的模型过于理想化，缺乏随机性，与实际情况有一定的出入，这也导致最终计算的承载力存在偏差。
发明内容
本发明的主要目的在于提供一种分布特性预测方法、装置和计算机可读存储介质，旨在解决如何使得有限元建模方法对内部缺陷的布置具备随机性，进而使得有限元模型能够与实际情况更为吻合，减小最终计算的承载力存在的偏差的技术问题。
为实现上述目的，本发明提供一种分布特性预测方法，所述分布特性预测方法包括以下步骤：
建立钢管混凝土模型，基于所述钢管混凝土模型得到标准承载力；
选取分布模型，设置随机变量以通过所述分布模型生成随机缺陷类型；
在所述钢管混凝土模型内部生成所述随机缺陷类型，得到随机缺陷钢管混凝土模型，基于所述随机缺陷钢管混凝土模型得到缺陷承载力；
将所述标准承载力和所述缺陷承载力进行对比，得到对比结果。
可选地，所述建立钢管混凝土模型的步骤之后包括：
为所述钢管混凝土模型中的材料选择本构模型和接触属性，对所述钢管混凝土模型划分网格，施加边界条件和外荷载，以得到标准钢管混凝土模型。
可选地，所述基于所述钢管混凝土模型得到标准承载力的步骤包括：
基于所述标准钢管混凝土模型通过预设算法计算得到标准承载力。
可选地，所述选取分布模型的步骤之前包括：
确定所述标准钢管混凝土模型的计算区域，在所述计算区域内，确定缺陷中心坐标、缺陷形状和缺陷体积。
可选地，所述确定缺陷中心坐标的步骤包括：
选取位置随机函数以确定位置随机的缺陷中心坐标；
所述确定缺陷形状的步骤包括：
若确定缺陷形状为多边形，通过第一预设方法确定多边形的边数，进而确定缺陷形状；
若确定缺陷形状为椭圆形，通过第二预设方法确定椭圆的扁平程度，进而确定缺陷形状；
所述确定缺陷体积的步骤包括：
通过随机生成的缺陷率与所述标准钢管混凝土模型的体积，确定缺陷体积。
可选地，所述设置随机变量以通过所述分布模型生成随机缺陷类型的步骤包括：
将所述缺陷体积、所述缺陷形状和所述缺陷中心坐标设置为随机变量；
将所述随机变量代入所述分布模型以生成随机缺陷类型。
可选地，所述在所述钢管混凝土模型内部生成所述随机缺陷类型，得到随机缺陷钢管混凝土模型的步骤包括：
在所述标准钢管混凝土模型内部生成与所述随机缺陷类型相对应的内部缺陷，对所述内部缺陷选定范围内的单元自动删除或赋予预设参数，以得到随机缺陷钢管混凝土模型。
可选地，所述将所述标准承载力和所述缺陷承载力进行对比，得到对比结果的步骤包括：
将所述标准承载力和所述缺陷承载力进行对比，得到缺陷分布特性数据，将所述缺陷分布特性数据作为对比结果，保存所述缺陷分布特性数据和所述缺陷分布特性数据对应的所述随机缺陷钢管混凝土模型。
此外，为实现上述目的，本发明还提供一种装置，所述装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的分布特性预测程序，所述分布特性预测程序被所述处理器执行时实现如上所述的分布特性预测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有分布特性预测程序，所述分布特性预测程序被处理器执行时实现如上所述的分布特性预测方法的步骤。
本发明提出一种分布特性预测方法、装置和计算机可读存储介质。所述分布特性预测方法通过建立钢管混凝土模型，基于所述钢管混凝土模型得到标准承载力，通过选取分布模型，设置随机变量以通过所述分布模型生成随机缺陷类型，使得有限元建模方法对内部缺陷的布置具备随机性；通过在所述钢管混凝土模型内部生成所述随机缺陷类型，得到随机缺陷钢管混凝土模型，基于所述随机缺陷钢管混凝土模型得到缺陷承载力；将所述标准承载力和所述缺陷承载力进行对比，得到对比结果，进而使得有限元模型能够与实际情况更为吻合，减小最终计算的承载力存在的偏差。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明分布特性预测方法第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：一种分布特性预测方法，所述分布特性预测方法包括以下步骤：
建立钢管混凝土模型，基于所述钢管混凝土模型得到标准承载力；
选取分布模型，设置随机变量以通过所述分布模型生成随机缺陷类型；
在所述钢管混凝土模型内部生成所述随机缺陷类型，得到随机缺陷钢管混凝土模型，基于所述随机缺陷钢管混凝土模型得到缺陷承载力；
将所述标准承载力和所述缺陷承载力进行对比，得到对比结果。
由于混凝土结构的质量缺陷判定，一直困扰着广大混凝土从业者。目前对带缺陷钢管混凝土的承载力进行试验和非线性有限元分析研究的文献较多，但对随机生成缺陷的钢管混凝土的承载力的非线性有限元分析尚不多见。现阶段建立的大多数有限元模型在考虑内部缺陷时，对于缺陷的位置、尺寸和形状等因素的设定人为干扰因素较多，建立的模型过于理想化，缺乏随机性，与实际情况有一定的出入，这也导致最终计算的承载力存在偏差。
本发明提供一种分布特性预测方法，通过建立钢管混凝土模型，基于所述钢管混凝土模型得到标准承载力，通过选取分布模型，设置随机变量以通过所述分布模型生成随机缺陷类型，使得有限元建模方法对内部缺陷的布置具备随机性；通过在所述钢管混凝土模型内部生成所述随机缺陷类型，得到随机缺陷钢管混凝土模型，基于所述随机缺陷钢管混凝土模型得到缺陷承载力；将所述标准承载力和所述缺陷承载力进行对比，得到对比结果，进而使得有限元模型能够与实际情况更为吻合，减小最终计算的承载力存在的偏差。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC，也可以是平板电脑、便携计算机等能够支持ABAQUS有限元软件的终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及分布特性预测程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的分布特性预测程序，并执行以下操作：
建立钢管混凝土模型，基于所述钢管混凝土模型得到标准承载力；
选取分布模型，设置随机变量以通过所述分布模型生成随机缺陷类型；
在所述钢管混凝土模型内部生成所述随机缺陷类型，得到随机缺陷钢管混凝土模型，基于所述随机缺陷钢管混凝土模型得到缺陷承载力；
将所述标准承载力和所述缺陷承载力进行对比，得到对比结果。
进一步地，处理器1001可以调用存储器1005中存储的分布特性预测程序，还执行以下操作：
为所述钢管混凝土模型中的材料选择本构模型和接触属性，对所述钢管混凝土模型划分网格，施加边界条件和外荷载，以得到标准钢管混凝土模型。
进一步地，处理器1001可以调用存储器1005中存储的分布特性预测程序，还执行以下操作：
所述基于所述钢管混凝土模型得到标准承载力的步骤包括：
基于所述标准钢管混凝土模型通过预设算法计算得到标准承载力。
进一步地，处理器1001可以调用存储器1005中存储的分布特性预测程序，还执行以下操作：
确定所述标准钢管混凝土模型的计算区域，在所述计算区域内，确定缺陷中心坐标、缺陷形状和缺陷体积。
进一步地，处理器1001可以调用存储器1005中存储的分布特性预测程序，还执行以下操作：
所述确定缺陷中心坐标的步骤包括：
选取位置随机函数以确定位置随机的缺陷中心坐标；
所述确定缺陷形状的步骤包括：
若确定缺陷形状为多边形，通过第一预设方法确定多边形的边数，进而确定缺陷形状；
若确定缺陷形状为椭圆形，通过第二预设方法确定椭圆的扁平程度，进而确定缺陷形状；
所述确定缺陷体积的步骤包括：
通过随机生成的缺陷率与所述标准钢管混凝土模型的体积，确定缺陷体积。
进一步地，处理器1001可以调用存储器1005中存储的分布特性预测程序，还执行以下操作：
所述设置随机变量以通过所述分布模型生成随机缺陷类型的步骤包括：
将所述缺陷体积、所述缺陷形状和所述缺陷中心坐标设置为随机变量；
将所述随机变量代入所述分布模型以生成随机缺陷类型。
进一步地，处理器1001可以调用存储器1005中存储的分布特性预测程序，还执行以下操作：
所述在所述钢管混凝土模型内部生成所述随机缺陷类型，得到随机缺陷钢管混凝土模型的步骤包括：
在所述标准钢管混凝土模型内部生成与所述随机缺陷类型相对应的内部缺陷，对所述内部缺陷选定范围内的单元自动删除或赋予预设参数，以得到随机缺陷钢管混凝土模型。
进一步地，处理器1001可以调用存储器1005中存储的分布特性预测程序，还执行以下操作：
所述将所述标准承载力和所述缺陷承载力进行对比，得到对比结果的步骤包括：
将所述标准承载力和所述缺陷承载力进行对比，得到缺陷分布特性数据，将所述缺陷分布特性数据作为对比结果，保存所述缺陷分布特性数据和所述缺陷分布特性数据对应的所述随机缺陷钢管混凝土模型。
参照图2，本发明第一实施例提供一种分布特性预测方法，所述分布特性预测方法包括：
步骤S10，建立钢管混凝土模型，基于所述钢管混凝土模型得到标准承载力；
本实施例中，步骤S10中所述建立钢管混凝土模型的步骤之后包括：
为所述钢管混凝土模型中的材料选择本构模型和接触属性，对所述钢管混凝土模型划分网格，施加边界条件和外荷载，以得到标准钢管混凝土模型；
步骤S10中所述基于所述钢管混凝土模型得到标准承载力的步骤包括：
基于所述标准钢管混凝土模型通过预设算法计算得到标准承载力；
需要说明的是，本实施例中，执行主体为PC，也可以是平板电脑、便携计算机等能够支持ABAQUS有限元软件的终端设备，本实施例对此不加以限制。所述ABAQUS是一套功能强大的工程模拟的有限元软件；所述本构模型是用于表示某一种材料的本构关系的物理模型，按性质可分为弹性模型、刚塑性模型、弹塑性模型、黏弹性模型、黏塑性模型和弹黏塑性模型，与之相应的性质常由模型参数表示，包括土的弹性模型、土的超弹性模型、土的次弹性模型、土的粘弹性模型、土的弹塑性模型、土的粘弹塑性模型、土的内蕴时间塑性模型等；所述接触属性是所述钢管混凝土模型的属性，包括刚性、柔性等；所述预设算法为ABAQUS有限元软件针对钢管混凝土模型预置的算法，也可以由用户自行修改后使用。
具体实现中，在ABAQUS有限元软件中建立钢管混凝土模型，给模型中的两种材料分别选择合适的本构模型和接触属性，即对钢管选择合适的本构模型和接触属性和对混凝土选择合适的本构模型和接触属性，然后对整个模型划分网格，施加边界条件和外荷载，以完善钢管混凝土模型得到标准钢管混凝土模型，然后基于所述标准钢管混凝土模型通过预设算法计算得到不带缺陷的钢管混凝土承载力，即所述标准承载力。
本实施例中，步骤S20之前包括：
确定所述标准钢管混凝土模型的计算区域，在所述计算区域内，确定缺陷中心坐标、缺陷形状和缺陷体积。
其中，所述确定缺陷中心坐标的步骤包括：
选取位置随机函数以确定位置随机的缺陷中心坐标；
所述确定缺陷形状的步骤包括：
若确定缺陷形状为多边形，通过第一预设方法确定多边形的边数，进而确定缺陷形状；
若确定缺陷形状为椭圆形，通过第二预设方法确定椭圆的扁平程度，进而确定缺陷形状；
所述确定缺陷体积的步骤包括：
通过随机生成的缺陷率与所述标准钢管混凝土模型的体积，确定缺陷体积。
需要说明的是，所述计算区域即为所述标准钢管混凝土模型的内部区域。
可以理解的是，缺陷需要在所述标准钢管混凝土模型的内部模拟生成才有参考价值，所述缺陷中心坐标用于确定缺陷的位置。
具体实现中，在所建模型的计算区域内，通过选取合适的位置随机函数确定一系列位置随机的缺陷中心坐标，以确定缺陷的位置。
在确定缺陷的形状时，当确定缺陷为多变形时，以缺陷中心坐标为原点坐标建立平面直角坐标系，在原点坐标附近随机确定节点数，以随机确定的节点个数来确定多边形的边数，节点的位置以节点与原点坐标的连线与X轴的夹角来决定，多边形的大小以节点与原点坐标连线的长度来决定，即所述第一预设方法；当缺陷形状为椭圆形时，选取合适的分布模型，以长轴和短轴的尺寸为随机变量来确定椭圆的扁平程度，即所述第二预设方法，从而确定其形状。
在确定内部缺陷的大小时，通过随机生成的缺陷率结合钢管混凝土模型的体积大小，以确定内部缺陷的体积大小。
步骤S20，选取分布模型，设置随机变量以通过所述分布模型生成随机缺陷类型；
本实施例中，步骤S20中所述设置随机变量以通过所述分布模型生成随机缺陷类型的步骤包括：
将所述缺陷体积、所述缺陷形状和所述缺陷中心坐标设置为随机变量；
将所述随机变量代入所述分布模型以生成随机缺陷类型。
需要说明的是，所述分布模型为软件内预置的参数模型，将前述步骤中得到的所述缺陷体积、所述缺陷形状和所述缺陷中心坐标作为随机变量代入该模型后即可生成多种不同类型的随机缺陷。
步骤S30，在所述钢管混凝土模型内部生成所述随机缺陷类型，得到随机缺陷钢管混凝土模型，基于所述随机缺陷钢管混凝土模型得到缺陷承载力；
本实施例中，步骤S30中所述在所述钢管混凝土模型内部生成所述随机缺陷类型，得到随机缺陷钢管混凝土模型的步骤包括：
在所述标准钢管混凝土模型内部生成与所述随机缺陷类型相对应的内部缺陷，对所述内部缺陷选定范围内的单元自动删除或赋予预设参数，以得到随机缺陷钢管混凝土模型。
可以理解的是，缺陷需要生成在标准模型内部以生成缺陷模型，即所述随机缺陷钢管混凝土模型。
具体实现中，基于步骤S20中得到多种不同的随机缺陷类型，进行大量抽样试验，在已建成的钢管混凝土模型内部生成相对应的缺陷，对于缺陷选定范围内的单元自动删除或者赋予较低的材料参数，即所述预设参数。计算各种缺陷对应下的钢管混凝土承载力，即所述缺陷承载力。
步骤S40，将所述标准承载力和所述缺陷承载力进行对比，得到对比结果。
本实施例中，步骤S40包括：
将所述标准承载力和所述缺陷承载力进行对比，得到缺陷分布特性数据，将所述缺陷分布特性数据作为对比结果，保存所述缺陷分布特性数据和所述缺陷分布特性数据对应的所述随机缺陷钢管混凝土模型。
可以理解的是，通过对上述步骤中得到的承载力数据进行分析对比，即将所述标准承载力与所述缺陷承载力数据进行分析对比，可得到缺陷率、缺陷位置和缺陷形状等因素对钢管混凝土承载力的影响程度，即所述缺陷分布特性数据，将所述缺陷分布特性数据和所述缺陷分布特性数据对应的所述随机缺陷钢管混凝土模型保存，即可得到大量具有随机缺陷类型的钢管混凝土模型及其缺陷分布特性数据，在此基础上还能通过对比分析得到对钢管混凝土承载力影响最大的缺陷类型。
在本实施例中提出了一种分布特性预测方法，通过在ABAQUS有限元软件中建立钢管混凝土模型，给模型中的两种材料分别选择合适的本构模型和接触属性，然后对整个模型划分网格，施加边界条件和外荷载，以完善钢管混凝土模型得到标准钢管混凝土模型，进而基于所述钢管混凝土模型得到了标准承载力；通过选取分布模型，将缺陷体积、缺陷形状和缺陷中心坐标设置为随机变量，将所述随机变量代入所述分布模型以生成随机缺陷类型，使得有限元建模方法对内部缺陷的布置具备随机性；通过在所述钢管混凝土模型内部生成所述随机缺陷类型，得到随机缺陷钢管混凝土模型，基于所述随机缺陷钢管混凝土模型得到缺陷承载力；将所述标准承载力和所述缺陷承载力进行对比，得到对比结果，由于本实施例中进行了大量抽样试验，故能够得到具备随机性的大量缺陷承载力与标准承载力的对比结果，进而使得有限元模型能够与实际情况更为吻合，减小最终计算的承载力存在的偏差。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有分布特性预测程序，所述分布特性预测程序被处理器执行时实现如下操作：
建立钢管混凝土模型，基于所述钢管混凝土模型得到标准承载力；
选取分布模型，设置随机变量以通过所述分布模型生成随机缺陷类型；
在所述钢管混凝土模型内部生成所述随机缺陷类型，得到随机缺陷钢管混凝土模型，基于所述随机缺陷钢管混凝土模型得到缺陷承载力；
将所述标准承载力和所述缺陷承载力进行对比，得到对比结果。
进一步地，所述分布特性预测程序被处理器执行时还实现如下操作：
为所述钢管混凝土模型中的材料选择本构模型和接触属性，对所述钢管混凝土模型划分网格，施加边界条件和外荷载，以得到标准钢管混凝土模型。
进一步地，所述分布特性预测程序被处理器执行时还实现如下操作：
所述基于所述钢管混凝土模型得到标准承载力的步骤包括：
基于所述标准钢管混凝土模型通过预设算法计算得到标准承载力。
进一步地，所述分布特性预测程序被处理器执行时还实现如下操作：
确定所述标准钢管混凝土模型的计算区域，在所述计算区域内，确定缺陷中心坐标、缺陷形状和缺陷体积。
进一步地，所述分布特性预测程序被处理器执行时还实现如下操作：
所述确定缺陷中心坐标的步骤包括：
选取位置随机函数以确定位置随机的缺陷中心坐标；
所述确定缺陷形状的步骤包括：
若确定缺陷形状为多边形，通过第一预设方法确定多边形的边数，进而确定缺陷形状；
若确定缺陷形状为椭圆形，通过第二预设方法确定椭圆的扁平程度，进而确定缺陷形状；
所述确定缺陷体积的步骤包括：
通过随机生成的缺陷率与所述标准钢管混凝土模型的体积，确定缺陷体积。
进一步地，所述分布特性预测程序被处理器执行时还实现如下操作：
所述设置随机变量以通过所述分布模型生成随机缺陷类型的步骤包括：
将所述缺陷体积、所述缺陷形状和所述缺陷中心坐标设置为随机变量；
将所述随机变量代入所述分布模型以生成随机缺陷类型。
进一步地，所述分布特性预测程序被处理器执行时还实现如下操作：
所述在所述钢管混凝土模型内部生成所述随机缺陷类型，得到随机缺陷钢管混凝土模型的步骤包括：
在所述标准钢管混凝土模型内部生成与所述随机缺陷类型相对应的内部缺陷，对所述内部缺陷选定范围内的单元自动删除或赋予预设参数，以得到随机缺陷钢管混凝土模型。
进一步地，所述分布特性预测程序被处理器执行时还实现如下操作：
所述将所述标准承载力和所述缺陷承载力进行对比，得到对比结果的步骤包括：
将所述标准承载力和所述缺陷承载力进行对比，得到缺陷分布特性数据，将所述缺陷分布特性数据作为对比结果，保存所述缺陷分布特性数据和所述缺陷分布特性数据对应的所述随机缺陷钢管混凝土模型。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种分布特性预测方法，其特征在于，所述分布特性预测方法包括以下步骤：
建立钢管混凝土模型，基于所述钢管混凝土模型得到标准承载力；
选取分布模型，设置随机变量以通过所述分布模型生成随机缺陷类型；
在所述钢管混凝土模型内部生成所述随机缺陷类型，得到随机缺陷钢管混凝土模型，基于所述随机缺陷钢管混凝土模型得到缺陷承载力；
将所述标准承载力和所述缺陷承载力进行对比，得到对比结果。
2.如权利要求1所述的分布特性预测方法，其特征在于，所述建立钢管混凝土模型的步骤之后包括：
为所述钢管混凝土模型中的材料选择本构模型和接触属性，对所述钢管混凝土模型划分网格，施加边界条件和外荷载，以得到标准钢管混凝土模型。
3.如权利要求2所述的分布特性预测方法，其特征在于，所述基于所述钢管混凝土模型得到标准承载力的步骤包括：
基于所述标准钢管混凝土模型通过预设算法计算得到标准承载力。
4.如权利要求3所述的分布特性预测方法，其特征在于，所述选取分布模型的步骤之前包括：
确定所述标准钢管混凝土模型的计算区域，在所述计算区域内，确定缺陷中心坐标、缺陷形状和缺陷体积。
5.如权利要求4所述的分布特性预测方法，其特征在于，所述确定缺陷中心坐标的步骤包括：
选取位置随机函数以确定位置随机的缺陷中心坐标；
所述确定缺陷形状的步骤包括：
若确定缺陷形状为多边形，通过第一预设方法确定多边形的边数，进而确定缺陷形状；
若确定缺陷形状为椭圆形，通过第二预设方法确定椭圆的扁平程度，进而确定缺陷形状；
所述确定缺陷体积的步骤包括：
通过随机生成的缺陷率与所述标准钢管混凝土模型的体积，确定缺陷体积。
6.如权利要求5所述的分布特性预测方法，其特征在于，所述设置随机变量以通过所述分布模型生成随机缺陷类型的步骤包括：
将所述缺陷体积、所述缺陷形状和所述缺陷中心坐标设置为随机变量；
将所述随机变量代入所述分布模型以生成随机缺陷类型。
7.如权利要求6所述的分布特性预测方法，其特征在于，所述在所述钢管混凝土模型内部生成所述随机缺陷类型，得到随机缺陷钢管混凝土模型的步骤包括：
在所述标准钢管混凝土模型内部生成与所述随机缺陷类型相对应的内部缺陷，对所述内部缺陷选定范围内的单元自动删除或赋予预设参数，以得到随机缺陷钢管混凝土模型。
8.如权利要求7中任一项所述的分布特性预测方法，其特征在于，所述将所述标准承载力和所述缺陷承载力进行对比，得到对比结果的步骤包括：
将所述标准承载力和所述缺陷承载力进行对比，得到缺陷分布特性数据，将所述缺陷分布特性数据作为对比结果，保存所述缺陷分布特性数据和所述缺陷分布特性数据对应的所述随机缺陷钢管混凝土模型。
9.一种装置，其特征在于，所述装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的分布特性预测程序，所述分布特性预测程序被所述处理器执行时实现如权利要求1至8中任一项所述的分布特性预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有分布特性预测程序，所述分布特性预测程序被处理器执行时实现如权利要求1至8中任一项所述的分布特性预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111052770.7A CN113868734B (zh) | 2021-09-08 | 2021-09-08 | 分布特性预测方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111052770.7A CN113868734B (zh) | 2021-09-08 | 2021-09-08 | 分布特性预测方法、装置和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113868734A true CN113868734A (zh) | 2021-12-31 |
| CN113868734B CN113868734B (zh) | 2024-04-19 |
Family
ID=78995041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111052770.7A Active CN113868734B (zh) | 2021-09-08 | 2021-09-08 | 分布特性预测方法、装置和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113868734B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003159916A (ja) * | 2001-11-27 | 2003-06-03 | Yokohama Rubber Co Ltd:The | タイヤ特性予測方法、空気入りタイヤおよびプログラム |
| CN103514307A (zh) * | 2012-06-19 | 2014-01-15 | 中国核电工程有限公司 | 一种预应力混凝土安全壳结构极限承载力的分析方法 |
| CN103886186A (zh) * | 2014-03-05 | 2014-06-25 | 河海大学 | 一种确定钢管混凝土承载力设计误差分布的熵方法 |
| CN105740630A (zh) * | 2016-02-02 | 2016-07-06 | 中国空间技术研究院 | 一种轴压筒壳结构承载力折减系数及其确定方法 |
| CN106021643A (zh) * | 2016-05-05 | 2016-10-12 | 西北工业大学 | 一种随机缩松缺陷对铸件力学性能影响的数值分析方法 |
| CN108363898A (zh) * | 2018-05-16 | 2018-08-03 | 广西大学 | 确定混凝土中变形钢筋极限粘结强度概率分布特性和概率特征值的方法 |
| CN108846186A (zh) * | 2018-06-04 | 2018-11-20 | 湘潭大学 | 一种考虑孔洞缺陷形状及其分布随机性的脆性材料离散元建模方法 |
| CN109376454A (zh) * | 2018-11-12 | 2019-02-22 | 湘潭大学 | 一种基于超椭圆方程的随机孔洞缺陷材料离散元建模方法 |
| CN109712136A (zh) * | 2018-12-29 | 2019-05-03 | 上海华力微电子有限公司 | 一种分析半导体晶圆的方法及装置 |
| CN110378009A (zh) * | 2019-07-15 | 2019-10-25 | 郑州大学 | 不锈钢筋混凝土柱受压承载力的分析方法 |
| CN110674589A (zh) * | 2019-09-30 | 2020-01-10 | 北京航空航天大学 | 一种模拟编织复合材料孔隙缺陷随机分布的方法 |
| CN110991112A (zh) * | 2019-11-28 | 2020-04-10 | 广西大学 | 一种基于响应面法的随机缺陷模态叠加方法 |
| CN111060788A (zh) * | 2019-12-20 | 2020-04-24 | 国网北京市电力公司 | 分析电缆绝缘缺陷的方法和装置、存储介质及处理器 |
| CN111782548A (zh) * | 2020-07-28 | 2020-10-16 | 南京航空航天大学 | 一种软件缺陷预测数据处理方法、装置及存储介质 |
| CN111881800A (zh) * | 2020-07-22 | 2020-11-03 | 福建农林大学 | 基于ar模型和自助检验的钢管混凝土脱空缺陷检测方法 |
| CN112036058A (zh) * | 2020-07-29 | 2020-12-04 | 大连理工大学 | 一种非完善薄壁结构的快速缺陷敏感性分析方法 |
| US20210017861A1 (en) * | 2019-07-19 | 2021-01-21 | Tongji University | Method for inspecting service performance of tunnel lining based on defect characteristics thereof |
| KR102279142B1 (ko) * | 2020-12-30 | 2021-07-20 | (주)이피에스엔지니어링 | 초음파 탐상기법을 이용한 콘크리트배관의 결함 검출방법 |
| CN113326643A (zh) * | 2021-05-12 | 2021-08-31 | 东南大学 | 基于ABAQUS python脚本开发的灌浆料三维随机缺陷模型构建方法 |
-
2021
- 2021-09-08 CN CN202111052770.7A patent/CN113868734B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003159916A (ja) * | 2001-11-27 | 2003-06-03 | Yokohama Rubber Co Ltd:The | タイヤ特性予測方法、空気入りタイヤおよびプログラム |
| CN103514307A (zh) * | 2012-06-19 | 2014-01-15 | 中国核电工程有限公司 | 一种预应力混凝土安全壳结构极限承载力的分析方法 |
| CN103886186A (zh) * | 2014-03-05 | 2014-06-25 | 河海大学 | 一种确定钢管混凝土承载力设计误差分布的熵方法 |
| CN105740630A (zh) * | 2016-02-02 | 2016-07-06 | 中国空间技术研究院 | 一种轴压筒壳结构承载力折减系数及其确定方法 |
| CN106021643A (zh) * | 2016-05-05 | 2016-10-12 | 西北工业大学 | 一种随机缩松缺陷对铸件力学性能影响的数值分析方法 |
| CN108363898A (zh) * | 2018-05-16 | 2018-08-03 | 广西大学 | 确定混凝土中变形钢筋极限粘结强度概率分布特性和概率特征值的方法 |
| CN108846186A (zh) * | 2018-06-04 | 2018-11-20 | 湘潭大学 | 一种考虑孔洞缺陷形状及其分布随机性的脆性材料离散元建模方法 |
| CN109376454A (zh) * | 2018-11-12 | 2019-02-22 | 湘潭大学 | 一种基于超椭圆方程的随机孔洞缺陷材料离散元建模方法 |
| CN109712136A (zh) * | 2018-12-29 | 2019-05-03 | 上海华力微电子有限公司 | 一种分析半导体晶圆的方法及装置 |
| CN110378009A (zh) * | 2019-07-15 | 2019-10-25 | 郑州大学 | 不锈钢筋混凝土柱受压承载力的分析方法 |
| US20210017861A1 (en) * | 2019-07-19 | 2021-01-21 | Tongji University | Method for inspecting service performance of tunnel lining based on defect characteristics thereof |
| CN110674589A (zh) * | 2019-09-30 | 2020-01-10 | 北京航空航天大学 | 一种模拟编织复合材料孔隙缺陷随机分布的方法 |
| CN110991112A (zh) * | 2019-11-28 | 2020-04-10 | 广西大学 | 一种基于响应面法的随机缺陷模态叠加方法 |
| CN111060788A (zh) * | 2019-12-20 | 2020-04-24 | 国网北京市电力公司 | 分析电缆绝缘缺陷的方法和装置、存储介质及处理器 |
| CN111881800A (zh) * | 2020-07-22 | 2020-11-03 | 福建农林大学 | 基于ar模型和自助检验的钢管混凝土脱空缺陷检测方法 |
| CN111782548A (zh) * | 2020-07-28 | 2020-10-16 | 南京航空航天大学 | 一种软件缺陷预测数据处理方法、装置及存储介质 |
| CN112036058A (zh) * | 2020-07-29 | 2020-12-04 | 大连理工大学 | 一种非完善薄壁结构的快速缺陷敏感性分析方法 |
| KR102279142B1 (ko) * | 2020-12-30 | 2021-07-20 | (주)이피에스엔지니어링 | 초음파 탐상기법을 이용한 콘크리트배관의 결함 검출방법 |
| CN113326643A (zh) * | 2021-05-12 | 2021-08-31 | 东南大学 | 基于ABAQUS python脚本开发的灌浆料三维随机缺陷模型构建方法 |
Non-Patent Citations (6)
| Title |
|---|
| JIRASEK M, GRASSL P.: "Evaluation of directional mesh bias in concrete fracture simulations using continuum damage models", ENGINEERING FRACTURE MECHANICS, vol. 75, no. 8, 31 December 2008 (2008-12-31), pages 1256 - 1264 * |
| 信丽华;林玉森;段树金: "初始几何缺陷对钢管混凝土拱桥极限承载力的影响", 石家庄铁道学院学报(自然科学版), no. 03, 25 September 2009 (2009-09-25), pages 14 - 17 * |
| 刘圣宾;丁自豪;张永兵;余波: "钢筋混凝土柱抗弯承载力的概率模型与校准分析", 计算力学学报, no. 03, 31 December 2020 (2020-12-31), pages 59 - 68 * |
| 蒋伟;吕大刚: "钢管混凝土拱面外稳定的可靠度与灵敏度分析", 哈尔滨工业大学学报, no. 12, 30 December 2012 (2012-12-30), pages 13 - 17 * |
| 郝兆峰;张戎令;马丽娜;ALAN KWAN;宁贵霞;李志扬: "钢管混凝土缺陷构件承载能力试验研究及数值分析计算", 工业建筑, no. 08, 31 December 2020 (2020-12-31), pages 142 - 148 * |
| 郭轶宏, 胡小冬, 马强: "初始几何缺陷对大跨钢管砼拱桥极限承载力的影响", 黑龙江科技学院学报, no. 04, 30 July 2005 (2005-07-30), pages 40 - 43 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113868734B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107678935B (zh) | 数据生成方法、终端及计算机可读存储介质 | |
| CN107896249B (zh) | 跨网络区域数据访问方法、装置、设备及存储介质 | |
| CN108427698A (zh) | 预测模型的更新装置、方法及计算机可读存储介质 | |
| CN107506309B (zh) | 终端及闪存数据写入方法和计算机可读存储介质 | |
| CN110705213B (zh) | Pdf表格提取方法、装置、终端及计算机可读存储介质 | |
| CN110866555A (zh) | 增量数据的聚类方法、装置、设备及可读存储介质 | |
| CN111144584A (zh) | 参数调优方法、装置及计算机存储介质 | |
| CN107918509B (zh) | 软件快捷方式提示设置方法、装置及可读存储介质 | |
| CN111045676B (zh) | 物联网设备的控制界面的生成方法、装置、存储介质及电子设备 | |
| CN115145801B (zh) | A/b测试流量分配方法、装置、设备及存储介质 | |
| CN109710510B (zh) | 代码提交方法、装置、设备及可读存储介质 | |
| CN113779321A (zh) | 一种电子白板文件保存方法、装置、电子白板及存储介质 | |
| CN110392115B (zh) | 区块链节点管理方法、装置和可读存储介质 | |
| CN113868734B (zh) | 分布特性预测方法、装置和计算机可读存储介质 | |
| CN111339196B (zh) | 基于区块链的数据处理方法、系统及计算机可读存储介质 | |
| CN112381224A (zh) | 神经网络训练方法、装置、设备及计算机可读存储介质 | |
| CN114083800B (zh) | 模型支撑面的3d打印数据生成方法、装置及存储介质 | |
| CN114782652B (zh) | 模型放平的方法、装置、设备及存储介质 | |
| CN108416426B (zh) | 数据处理方法、装置及计算机可读存储介质 | |
| CN114048279B (zh) | 生成预报信息的方法和装置 | |
| CN114022658B (zh) | 一种目标检测方法、装置、存储介质及终端 | |
| CN112882768B (zh) | 进度条加载方法、装置、设备及计算机可读存储介质 | |
| CN108009393B (zh) | 数据处理方法、装置及计算机可读存储介质 | |
| CN110796200B (zh) | 数据分类方法、终端、装置及存储介质 | |
| CN111625693A (zh) | 数据处理方法、装置、设备及计算机可读存储介质 |
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 |