CN117594164A - 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统 - Google Patents
基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统 Download PDFInfo
- Publication number
- CN117594164A CN117594164A CN202311558749.3A CN202311558749A CN117594164A CN 117594164 A CN117594164 A CN 117594164A CN 202311558749 A CN202311558749 A CN 202311558749A CN 117594164 A CN117594164 A CN 117594164A
- Authority
- CN
- China
- Prior art keywords
- model
- metal structure
- fatigue life
- calculation
- twin
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 70
- 238000011156 evaluation Methods 0.000 title claims abstract description 50
- 239000002184 metal Substances 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000006731 degradation reaction Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 230000035945 sensitivity Effects 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 45
- 230000015556 catabolic process Effects 0.000 claims description 21
- 239000000463 material Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012952 Resampling Methods 0.000 claims description 8
- 241000254158 Lampyridae Species 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 206010033307 Overweight Diseases 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000013210 evaluation model Methods 0.000 claims description 2
- 238000010206 sensitivity analysis Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 238000009661 fatigue test Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统,本方案利用Abaqus建立可计算金属结构剩余疲劳寿命的初始有限元孪生模型,然后确定影响计算结果的高敏感度参数并建立面向结构劣化的动态贝叶斯网络模型。最后基于改进的贝叶斯推理算法将孪生模型计算结果与试验实测结果对比,动态优化孪生模型参数,计算结构剩余疲劳寿命,实现有限元孪生模型对实物模型的真实响应,并以熵权法对孪生模型的计算精度评估。本发明方案可以通过搭建有限元孪生模型参数优化及剩余疲劳寿命计算评估系统,在考虑结构劣化过程中的高敏感因素的情况,以物理数据实时驱动优化孪生模型,其能提高对金属结构剩余疲劳寿命的计算精度。
Description
技术领域
本发明涉及金属疲劳寿命预测技术领域,尤其涉及基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统。
背景技术
金属结构通常在恶劣的环境下工作,长期承受自重、交变载荷和环境载荷的影响,容易导致各种程度的疲劳损伤。当疲劳损伤累积过度时就会出现疲劳裂纹,在外部载荷的持续作用下最终会导致结构破坏。因此,在结构优化之外,对港口大型设备的结构安全进行有效评估已成为保障现代机械作业可靠性的紧迫需求。起重机结构的疲劳失效一般经历两个阶段,疲劳裂纹开始形成阶段和逐渐扩展阶段。在低周疲劳问题中疲劳寿命近似等于裂纹扩展寿命,断裂力学方法成为疲劳寿命预测的主流方法。该方法通过总结金属结构裂纹扩展规律和疲劳寿命之间的关系,能够准确计算疲劳寿命。断裂力学的裂纹扩展预测方法主要有两种,一种是理论计算方法,使用Paris定律计算疲劳裂纹扩展速率;第二种是数值计算方法,利用有限元分析软件,基于Abaqus、Ansys等有限元分析软件对裂纹扩展模型进行建模。这两种方法能够对裂纹扩展情况进行计算,但在计算精度和计算效率方面存在问题。数字孪生方法为计算结构剩余疲劳寿命提供了一种崭新的解决思路,基于相关优化算法将孪生模型与物理结构相结合,能够考虑结构劣化过程中的高敏感动态变量,通过实时物理数据的输入,实时更新孪生模型参数,修正孪生模型,提升模型的计算精度。
发明内容
有鉴于此,本发明的目的在于提出一种基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统,其结合裂纹扩展过程中的高敏感度动态变量将物理结构与孪生模型相对应,实现孪生模型对物理结构剩余疲劳寿命的精准计算,此方法能够有效提高金属结构的剩余疲劳寿命计算精度。
为了实现上述的技术目的,本发明采用如下方案:
一种基于数字孪生的金属结构剩余疲劳寿命计算评估方法,其包括:
S01、利用Abaqus建立用于计算金属结构剩余疲劳寿命的初始有限元孪生模型;
S02、建立面向金属结构劣化的动态贝叶斯网络模型,分析影响金属结构劣化的高敏感度参数;
S03、使用贝叶斯推理算法的动态参数优化方法对初始有限元孪生模型参数的动态变量进行优化;
S04、将优化的参数动态变量代入到初始有限元孪生模型进行计算,得到金属结构的剩余疲劳寿命计算值,然后评估孪生模型的计算精度。
作为一种可能的实施方式,进一步,本方案S01中,初始有限元孪生模型建模所需的初始参数根据预设相关金属结构标准设定,以保障初始有限元孪生模型的有效性。
作为一种较优的选择实施方式,优选的,本方案S02包括:分析已建立的初始有限元孪生模型,确定金属结构劣化过程中影响裂纹、应变的动态变量,得到高敏感度参数,所述高敏感度参数为对模型最终输出的裂纹、应变造成影响的物理变量。
本方案S02中,通过分析已建立的有限元孪生模型,确定结构劣化过程中影响裂纹、应变的动态变量,得到高敏感度参数,高敏感度参数是指对模型最终输出的裂纹、应变影响较大的物理变量。
除此之外,S02中,所述的动态贝叶斯网络需结合高敏感度参数,构建观测与状态空间模型,为贝叶斯推理算法对孪生模型的动态变量优化提供铺垫。
作为一种较优的选择实施方式,优选的,本方案S02包括:
建立面向金属结构劣化的动态贝叶斯网络,分析影响金属结构劣化的高敏感度参数,将其纳入动态贝叶斯网络以考虑结构劣化过程中的不确定因素,建立对应状态方程和观测方程。
作为一种较优的选择实施方式,优选的,本方案S02中,使用Abaqus对结构劣化过程进行模拟,选取的敏感度参数包括:扩展模型材料常数c1、c2、c3、c4,临界应变能释放率Gth,应变能释放率上限Gpl,临界等效应变能释放率Gc,材料在三个方向断裂时的应变能释放率G1c,G2c,G3c,弹性模量E,泊松比μ;
采用控制变量法,在进行参数敏感度分析时,对每组参数中的一组进行变异,而其它的参数保持不变,将裂纹长度和应变变化幅度较大的参数设置为高敏感度参数,其余的则设置为低敏感度参数,然后根据获得的高敏感度参数建立对应的结构劣化状态与观测方程。
本方案S03中,使用改进的粒子滤波贝叶斯推理算法动态参数优化方法对参数的动态变量进行优化。结合混合建议分布和萤火虫算法优化粒子滤波算法,验证优化后的算法性能,将物理数据输入优化后的贝叶斯推理算法对模型实时驱动更新,完成有限元孪生模型参数的动态变量优化。
本方案所提及的粒子滤波算法是一种贝叶斯推理算法,结合了一种基于混合建议分布的重要性概率密度函数与一种萤火虫重采样优化算法进行优化。输入物理数据与有限元孪生模型仿真结果到优化后的粒子滤波算法,实时驱动孪生模型更新,完成模型的动态变量优化。
作为一种较优的选择实施方式,优选的,本方案S03包括:
使用优化贝叶斯推理算法进行推理计算,选择先验概率密度函数为:
式中,k为比例系数,对于裂纹而言,k=1;对于应变而言,k=1/100。d为先验估计粒子与观测分布粒子之间的差值;
将高斯分布产生的权值用于后续对高权值粒子复制、低权值粒子的剔除,定义的高斯分布函数如下:
q(xk∣z1:k)=N(lk,Pk) (2)
式中,lk和Pk为重采样前后验粒子分布的均值和方差。lk和Pk的计算公式为:
为了避免出现粒子退化现象,引入萤火虫算法对粒子进行移动,定义适应度函数为:
式中,lk为最新裂纹测量值,εk为3个应变测试点的实际测量值;为孪生模型的裂纹扩展计算值,/>为孪生模型的3个应变测试点的计算值;
使用位置更新公式引导其它粒子向亮度最大的粒子移动,设定阈值h,当迭代次数满足阈值条件时,萤火虫算法优化过程停止。
作为一种较优的选择实施方式,优选的,本方案S04包括:
将重新分配计算之后的粒子群代入到S01中建立的初始有限元孪生模型进行计算,得到最终的结构剩余疲劳寿命计算值,并利用熵权法对孪生模型的计算精度进行评估。
本方案S04中,结合混合建议分布和萤火虫算法优化粒子滤波算法,验证优化后的算法性能,将物理数据输入优化后的贝叶斯推理算法对模型实时驱动更新,完成有限元孪生模型参数的动态变量优化。
作为一种较优的选择实施方式,优选的,本方案S04中,使用熵权法建立评估模型,评估函数为:
式中,fp为多目标评估函数;fl为裂纹目标函数;fε1、fε2、fε3分别为模型3个应变节点的目标函数;θ1、θε1、θε2、θε3分别为与裂纹和应变大小有关的影响因子;
分别建立裂纹、应变的评估函数,评估函数为:
式中,Lf为孪生模型k时刻的裂纹扩展计算值,La为k时刻裂纹扩展的实测值,t=1、2、3;εft为孪生模型3个节点的计算应变大小;εat为3个节点实测的应变大小;
通过熵权法计算每个评价指标的熵权系数,结合评估函数和熵权系数计算孪生模型的评估精度。
作为一种较优的选择实施方式,优选的,本方案还包括:
S05、构建有限元孪生模型参数优化及结构剩余疲劳寿命计算评估系统,系统由两个部分组成,物理空间和孪生空间;
其中,物理空间实时采集物理数据,包括应变、裂纹长度数据,其用于后续驱动孪生空间中金属结构模型的优化更新;
另外,孪生空间首先以先验材料参数以及几何尺寸数据,建立初始有限元孪生模型;然后基于动态贝叶斯网络,结合实时采集的物理数据,对模型进行更新修正;最后利用更新修正后的孪生模型对物理空间实体的真实情况进行高效高精度的疲劳寿命计算。
本方案通过应用改进的贝叶斯推理算法对有限元孪生模型的动态变量参数优化,基于优化后的孪生模型计算结构疲劳剩余寿命,搭建疲劳试验平台,测得多点应变、裂纹长度等相关疲劳数据,验证模型计算结果的准确性,并利用熵权法评估不同组物理数据驱动的孪生模型的计算精度。
基于上述,本发明还提供一种基于数字孪生的金属结构剩余疲劳寿命计算评估系统,其应用有上述所述的评估方法。
本发明方案提出一种新的结构剩余疲劳寿命计算评估方法及系统,其应用动态贝叶斯网络理论模型,选择表征影响结构劣化的高敏感度变量,依靠试验采集的裂纹、应变数据,以优化的贝叶斯推理算法修正动态变量并计算孪生模型的疲劳寿命,最终得到金属结构的剩余疲劳寿命。
采用上述的技术方案,本发明与现有技术相比,其具有的有益效果为:本发明方案一方面应用数字孪生方法的物理实体与孪生模型相结合的作用机理,可提高实时计算金属结构剩余疲劳寿命的有效性;另一方面能够作为工程中结构健康监测方案提供参考依据。除此之外,本发明所提出的优化贝叶斯推理算法以及孪生模型保真度评估方法能够为数字孪生结构健康监测领域的发展提供指导和参考。本发明旨在推动数字孪生理念与方法在结构健康监测领域的应用与发展,对提高结构健康监测技术的安全性和可靠性具有重要意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中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为本方案有限元孪生模型参数优化及剩余寿命计算评估系统图;
图2为本方案数字孪生模型结构疲劳寿命计算流程图;
图3为本方案面向箱型梁结构劣化的动态贝叶斯网络图;
图4为本方案观测方程建立流程图;
图5为本方案状态方程建立流程图;
图6为本方案疲劳试验平台图;
图7为本方案结构剩余疲劳寿命计算流程图;
图8为本方案熵权法权重计算流程图。
具体实施方式
下面结合附图和实施例,对本发明作进一步的详细描述。特别指出的是,以下实施例仅用于说明本发明,但不对本发明的范围进行限定。同样的,以下实施例仅为本发明的部分实施例而非全部实施例,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。
如图1所示的原理流程,本方案一种基于数字孪生的金属结构剩余疲劳寿命计算评估方法,其包括:
S01、利用Abaqus建立用于计算金属结构剩余疲劳寿命的初始有限元孪生模型;
S02、建立面向金属结构劣化的动态贝叶斯网络模型,分析影响金属结构劣化的高敏感度参数;
S03、使用贝叶斯推理算法的动态参数优化方法对初始有限元孪生模型参数的动态变量进行优化;
S04、将优化的参数动态变量代入到初始有限元孪生模型进行计算,得到金属结构的剩余疲劳寿命计算值,然后评估孪生模型的计算精度。
如下结合一实例对本方案方法进行展开阐述。
结合2所示的数字孪生模型结构疲劳寿命计算流程图,本实施例方案在数字孪生模型建模过程中,部分影响仿真模型结果的材料参数作为变量,通过动态贝叶斯网络变量分析,找出对疲劳寿命计算结果影响最大的高敏感度参数,将其作为不确定性变量,建立面向结构劣化的动态贝叶斯网络,实现不确定性变量的集成。建立动态贝叶斯网络之后,结合真实物理数据输入,应用贝叶斯推理算法计算。定义似然函数筛选出最接近真实结果的粒子组合,实现结构最终剩余寿命的精准计算。
本实施例方案以起重机箱型主梁结构为例,基于Abaqus的XFEM仿真模块,建立具有初始裂纹的起重机箱型梁有限元孪生模型,通过定义模型材料属性、设置分析步骤、施加边界条件和载荷以及对模型进行网格划分,分析箱型梁的裂纹扩展过程以及裂纹周围应力场的变化。其中,模型材料属性与施加载荷需对应试验箱型梁的具体属性与受力载荷。
基于已建立的箱型梁有限元孪生模型采用控制变量法对模型各参数敏感度进行分析,确定高敏感度参数,并代入面向箱型梁结构劣化的动态贝叶斯网络中。如附图3所示为面向箱型梁结构劣化的动态贝叶斯网络图。动态贝叶斯网络是一个有向无环图模型,它用于描述数据变量之间的相关性。该模型可以有效地集成实时监测数据、可靠性数据和物理模型。3种不同类型的节点用于构建动态贝叶斯网络模型:1)函数节点代表确定性函数;2)观测节点通常是指系统的输入部分,它通过传感器收集系统中的载荷、应变、裂纹长度等信息;3)运算节点可以对变量节点进行具体运算。有向图中的实线边表示同一贝叶斯网络变量之间的函数关系,而虚线边则表示相邻时间步长状态变量之间的函数关系。
将箱型梁材料参数集合θ(包含弹性模量E、泊松比μ和扩展模型参数c3、c4等变量参数)和外部载荷信息输入到有限元模型中,进行变量计算,得到应变和裂纹的计算值。另外,在t-1时刻检测到裂纹和应变观测值Lobs t-1和εobs t-1时,则下一时刻的初始值为上一时刻的观测值。如果在下一时刻没有得到观测值,则初始值为上一时刻孪生模型的计算值。
针对箱型梁的试样裂纹扩展情况建立观测方程,如附图4所示为观测方程的建模流程图。对具有初始裂纹的箱型梁试样进行m-1组疲劳试验,将试件编号为{J1,J2,…,Jm-1}。扩展的过程中,利用微带天线监测裂纹扩展情况,实时采集M组谐振频率大小,分析裂纹尺寸与谐振频率之间的关系,最后拟合m-1组试件得到谐振频率差值和裂纹长度之间的关系,构建基于微带天线在线监测的观测方程,用于评估第m组含裂纹结构试件的监测结果,其通用的表达式为:
Δft+1=g(lt+1)+ν(t+1) (9)
式中,Δf表示谐振频率变化量,lt+1表示t+1时刻的裂纹长度,g(·)表示谐振频率与裂纹长度之间的多项式拟合函数,ν(t+1)表示裂纹测量噪声。
采用电阻式应变片进行应变测量,其测量原理是当物体受外力会导致安装金属丝的位置产生变形,从而转化成金属的电阻发生变化,进而通过电阻变化转化为金属丝安装位置的应变,电阻应变片的应变测量通用表达式为:
式中,表示电阻率变化量,Ks表示灵敏度系数,μ(t+1)表示应变测量噪声。
使用应变疲劳寿命预测方法和断裂力学方法构建状态方程,如附图5所示为状态方程的建模流程图。相邻时间段之间裂纹长度的函数关系为:
根据状态-参数联合估计法,设状态向量为X=[L,ε,θ],设观测向量Z=[L,ε],结合应变和裂纹各自的状态方程和观测方程,得到联合的状态方程为:
观测方程为:
搭建试验平台,设置真实场景的箱型梁结构劣化过程方案,如附图6所示为箱型梁疲劳试验平台图,用以获得驱动孪生模型计算所需的实际裂纹和应变数据。图中1表示箱型梁试样,2表示微带天线传感器,3表示电阻应变片,4表示动态应变分析仪,5表示液压伺服疲劳试验机,6表示疲劳试验机控制系统,7表示矢量分析仪。微带天线传感器用以测量箱型梁的裂纹扩展长度,动态应变分析仪用于测量裂纹周围的应变。
疲劳试验分为三个阶段进行:
第一阶段为试样制备阶段,在该阶段,箱型梁试样经过机加工后进行处理,以便进行疲劳试验;
第二阶段,结构剩余疲劳寿命计算阶段,在该阶段通过施加载荷谱使其扩展至设计的临界裂纹长度;
第三阶段,快速断裂阶段,该阶段裂纹已经扩展至接近临界裂纹长度,进入快速扩展阶段,施加载荷谱使试样继续扩展直至完全断裂,并对各箱型梁试样的试验结果进行采集统计。
将采集到的箱型梁的裂纹与应变数据代入优化改进的贝叶斯推理算法中,计算箱型梁结构的剩余疲劳寿命,如附图8所示为结构剩余疲劳寿命计算流程图,具体文字描述如下:
1)初始化。由微带天线传感器和应变片获得箱型梁裂纹初始化状态值L0及应变将其视为状态转移粒子群/>通过公式计算初始化材料参数c3、材料参数c4、弹性模量E、泊松比μ,初始化观测噪声μ(t)和ν(t)。本文的状态转移方程是基于Abaqus仿真进行运算,将材料参数等信息代入到状态方程中,输入载荷谱,通过有限元仿真软件进行运算,初始化粒子群/>权值/>
2)判断观测值更新情况。若在t时刻没有箱型梁裂纹与应变的观测值输入,则将初始化粒子群代入状态方程获得先验估计粒子群/>如公式计算粒子群输出的后验估计值,并更新t+1时刻的粒子/>若有观测值更新则进行步骤(3)。
3)重要性采样。当观测值更新时,从先验概率密度函数和观测概率密度函数中抽取相同数目的粒子,并计算权值得到粒子混合采样之后的归一化权值为/>
4)后验估计。从k时刻的粒子群中抽样得到粒子序号为j(i)的粒子群代入状态空间方程中计算得到k+1时刻的先验粒子群,根据公式(1)计算粒子权值,输出k+1时刻孪生模型的计算值。
5)重采样。利用Neff来判断粒子退化现象,若Neff小于设置的阈值Nth,则进行重新采样;否则直接返回步骤2)。重采样的步骤为先使用适应度函数计算每一组粒子的亮度值从中选出粒子组中的最亮点/>然后利用公式(5)引导其它粒子向最亮点靠近,经过设置的迭代次数之后,使用分层重采样算法对粒子进行剔除、复制,完成重采样过程。重新分配后的粒子群为/>式中,/>
6)状态估计。判断输出结果是否达到设置阈值,达到阈值即计算停止,未达到阈值返回步骤2),直到达到设置的阈值,计算停止。
使用熵权法对箱型梁孪生模型预测结构剩余疲劳寿命的精度评估,如附图7所示为本发明的熵权法权重的计算流程图,具体计算流程如下:
1)评估指标标准化
本发明的评估对象有3个,每个评估对象的评估指标为4个。3个评估对象分别为双因素数字孪生箱型梁结构剩余疲劳寿命的计算方法、单因素箱型梁数字孪生结构剩余疲劳寿命的计算方法、箱型梁传统结构剩余疲劳寿命的计算方法,以试验数据得到的评估值作为衡量三种方法计算结果的评判标准。4个评估标准分别为裂纹长度和3个节点的应变。以载荷循环次数在190000、210000和230000次时的数据作为评估的时间节点,对所得数据进行标准化处理,标准化处理的公式为:
式中,wpq为标准化处理后的数据;为了避免标准化取值出现0的情况,因此对计算后的标准化数据进行数据平移;
2)构建标准化评估矩阵
以评估对象数量和评估指标数量作为评估指标矩阵的列数和行数,以第p个评估对象的q个评估指标数值xpq作为矩阵数值,构建标准化矩阵B如下公式所示。
(3)计算指标比重
评估指标中fpq的大小决定了它在评估对象中被使用的概率,评估指标fpq越大,表明评估指标所包含的信息量就越大,所对应的不确定性就越小,fpq的计算公式如下所示。
(4)计算信息熵
信息熵ej表示了信息的不确定程度,评估系统信息熵的增加会导致系统的不确定性增加、离散程度减少,ej的计算公式如下所示。
式中,k=1/ln(q)且k>0。
(5)计算各目标熵权系数
通过对信息熵进行归一化处理,得到每一个指标在系统中的归一化权值,计算公式如下所示。
本实施例方案设计的一种基于数字孪生的金属结构剩余疲劳寿命计算评估方法及系统,其能够结合实时物理数据实现结构剩余疲劳寿命的计算,可以有效的提高剩余疲劳寿命计算精度。
以上所述仅为本发明的部分实施例,并非因此限制本发明的保护范围,凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换,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)
1.一种基于数字孪生的金属结构剩余疲劳寿命计算评估方法,其特征在于,其包括:
S01、利用Abaqus建立用于计算金属结构剩余疲劳寿命的初始有限元孪生模型;
S02、建立面向金属结构劣化的动态贝叶斯网络模型,分析影响金属结构劣化的高敏感度参数;
S03、使用贝叶斯推理算法的动态参数优化方法对初始有限元孪生模型参数的动态变量进行优化;
S04、将优化的参数动态变量代入到初始有限元孪生模型进行计算,得到金属结构的剩余疲劳寿命计算值,然后评估孪生模型的计算精度。
2.如权利要求1所述的基于数字孪生的金属结构剩余疲劳寿命计算评估方法,其特征在于,S01中,初始有限元孪生模型建模所需的初始参数根据预设相关金属结构标准设定,以保障初始有限元孪生模型的有效性。
3.如权利要求2所述的基于数字孪生的金属结构剩余疲劳寿命计算评估方法,其特征在于,S02包括:分析已建立的初始有限元孪生模型,确定金属结构劣化过程中影响裂纹、应变的动态变量,得到高敏感度参数,所述高敏感度参数为对模型最终输出的裂纹、应变造成影响的物理变量。
4.如权利要求3所述的基于数字孪生的金属结构剩余疲劳寿命计算评估方法,其特征在于,S02包括:
建立面向金属结构劣化的动态贝叶斯网络,分析影响金属结构劣化的高敏感度参数,建立对应状态方程和观测方程。
5.如权利要求4所述的基于数字孪生的金属结构剩余疲劳寿命计算评估方法,其特征在于,S02中,使用Abaqus对结构劣化过程进行模拟,选取的敏感度参数包括:扩展模型材料常数c1、c2、c3、c4,临界应变能释放率Gth,应变能释放率上限Gpl,临界等效应变能释放率Gc,材料在三个方向断裂时的应变能释放率G1c,G2c,G3c,弹性模量E,泊松比μ;
采用控制变量法,在进行参数敏感度分析时,对每组参数中的一组进行变异,而其它的参数保持不变,将裂纹长度和应变变化幅度较大的参数设置为高敏感度参数,其余的则设置为低敏感度参数,然后根据获得的高敏感度参数建立对应的结构劣化状态与观测方程。
6.如权利要求5所述的基于数字孪生的金属结构剩余疲劳寿命计算评估方法,其特征在于,S03包括:
使用优化贝叶斯推理算法进行推理计算,选择先验概率密度函数为:
式中,k为比例系数,对于裂纹而言,k=1;对于应变而言,k=1/100,d为先验估计粒子与观测分布粒子之间的差值;
将高斯分布产生的权值用于后续对高权值粒子复制、低权值粒子的剔除,定义的高斯分布函数如下:
q(xk∣z1:k)=N(lk,Pk) (2)
式中,lk和Pk为重采样前后验粒子分布的均值和方差,lk和Pk的计算公式为:
为了避免出现粒子退化现象,引入萤火虫算法对粒子进行移动,定义适应度函数为:
式中,lk为最新裂纹测量值,εk为3个应变测试点的实际测量值;为孪生模型的裂纹扩展计算值,/>为孪生模型的3个应变测试点的计算值;
使用位置更新公式引导其它粒子向亮度最大的粒子移动,设定阈值h,当迭代次数满足阈值条件时,萤火虫算法优化过程停止。
7.如权利要求6所述的基于数字孪生的金属结构剩余疲劳寿命计算评估方法,其特征在于,S04包括:
将重新分配计算之后的粒子群代入到S01中建立的初始有限元孪生模型进行计算,得到最终的结构剩余疲劳寿命计算值,并利用熵权法对孪生模型的计算精度进行评估。
8.如权利要求7所述的基于数字孪生的金属结构剩余疲劳寿命计算评估方法,其特征在于,S04中,使用熵权法建立评估模型,评估函数为:
式中,fp为多目标评估函数;fl为裂纹目标函数;fε1、fε2、fε3分别为模型3个应变节点的目标函数;θ1、θε1、θε2、θε3分别为与裂纹和应变大小有关的影响因子;
分别建立裂纹、应变的评估函数,评估函数为:
式中,Lf为孪生模型k时刻的裂纹扩展计算值,La为k时刻裂纹扩展的实测值,t=1、2、3;εft为孪生模型3个节点的计算应变大小;εat为3个节点实测的应变大小;
通过熵权法计算每个评价指标的熵权系数,结合评估函数和熵权系数计算孪生模型的评估精度。
9.如权利要求1至8之一所述的基于数字孪生的金属结构剩余疲劳寿命计算评估方法,其特征在于,其还包括:
S05、构建有限元孪生模型参数优化及结构剩余疲劳寿命计算评估系统,系统由两个部分组成,物理空间和孪生空间;
其中,物理空间实时采集物理数据,包括应变、裂纹长度数据,其用于后续驱动孪生空间中金属结构模型的优化更新;
另外,孪生空间首先以先验材料参数以及几何尺寸数据,建立初始有限元孪生模型;然后基于动态贝叶斯网络,结合实时采集的物理数据,对模型进行更新修正;最后利用更新修正后的孪生模型对物理空间实体的真实情况进行高效高精度的疲劳寿命计算。
10.一种基于数字孪生的金属结构剩余疲劳寿命计算评估系统,其特征在于:其应用有权利要求1至9之一所述的评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311558749.3A CN117594164A (zh) | 2023-11-21 | 2023-11-21 | 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311558749.3A CN117594164A (zh) | 2023-11-21 | 2023-11-21 | 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117594164A true CN117594164A (zh) | 2024-02-23 |
Family
ID=89914537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311558749.3A Pending CN117594164A (zh) | 2023-11-21 | 2023-11-21 | 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117594164A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875195A (zh) * | 2024-03-13 | 2024-04-12 | 大连理工大学 | 一种面向结构寿命评估的裂纹扩展孪生预示方法 |
-
2023
- 2023-11-21 CN CN202311558749.3A patent/CN117594164A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875195A (zh) * | 2024-03-13 | 2024-04-12 | 大连理工大学 | 一种面向结构寿命评估的裂纹扩展孪生预示方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ho et al. | An efficient stochastic-based coupled model for damage identification in plate structures | |
CN111783243B (zh) | 一种基于滤波算法的金属结构疲劳裂纹扩展寿命预测方法 | |
Fang et al. | Fatigue crack growth prediction method for offshore platform based on digital twin | |
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 | |
CN117594164A (zh) | 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统 | |
Sankararaman et al. | Statistical inference of equivalent initial flaw size with complicated structural geometry and multi-axial variable amplitude loading | |
Zhu et al. | A rapid structural damage detection method using integrated ANFIS and interval modeling technique | |
Kuncham et al. | An online model-based fatigue life prediction approach using extended Kalman filter | |
Shu et al. | A multi-task learning-based automatic blind identification procedure for operational modal analysis | |
Li et al. | Probability-based structural health monitoring through Markov chain Monte Carlo sampling | |
CN115455793A (zh) | 基于多尺度模型修正的高层结构复杂构件受力分析方法 | |
CN114528764A (zh) | 基于整体优化的即时学习的软测量建模方法及装置 | |
Mohanty et al. | An adaptive neuro fuzzy inference system model for studying free in plane and out of plane vibration behavior of curved beams | |
Ding et al. | Jaya-based long short-term memory neural network for structural damage identification with consideration of measurement uncertainties | |
CN114896712A (zh) | 基于基准贝叶斯原理与稀疏正则化的结构损伤识别方法 | |
CN113011053A (zh) | 一种基于性能裕量的结构确信可靠性分析方法及系统 | |
CN116721720A (zh) | 一种复合材料结构可靠性数字孪生参数更新流程与方法 | |
Mordini et al. | Damage detection on stay cables using an open source-based framework for finite element model updating | |
Parhi et al. | Analysis of methodologies applied for diagnosis of fault in vibrating structures | |
Singh et al. | Damage identification using vibration monitoring techniques | |
Souza et al. | Impact of damping models in damage identification | |
Ghorbani et al. | Time‐varying reliability analysis based on hybrid Kalman filtering and probability density evolution | |
KR102230397B1 (ko) | 변형률 및 가속도값에 기반한 구조물의 변위 추정방법 | |
Vettori et al. | A virtual sensing approach to operational modal analysis of wind turbine blades | |
Hakim et al. | A sensitivity analysis on the damage identification capability of artificial neural networks |
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 |