在以往惯质调谐质量阻尼器(tuned mass damper-inerter, TMDI)的研究基础上,引入非线性碰撞机制,提出一种带碰撞的新型惯质调谐质量阻尼器(pounding tuned mass damper-inerter, PTMDI)来对斜拉索的涡激振动进行控制。该阻尼器不仅能减...在以往惯质调谐质量阻尼器(tuned mass damper-inerter, TMDI)的研究基础上,引入非线性碰撞机制,提出一种带碰撞的新型惯质调谐质量阻尼器(pounding tuned mass damper-inerter, PTMDI)来对斜拉索的涡激振动进行控制。该阻尼器不仅能减小装置尺寸,又能利用振子在碰撞过程中产生的加速度突变来提高惯质器的质量放大效应,在一定程度上解决传统惯质型阻尼器一端尽量固接的安装方式,布置上更为灵活。建立了设有该装置的斜拉索涡激减振控制方程,分析了拉索涡激振动特性,并对其减振性能进行了研究。对阻尼器惯容参数和碰撞参数的影响及优化问题进行了探讨,给出了最优参数的取值方法。算例表明,所提PTMDI能显著降低斜拉索的涡激振动响应,且在所提优化方法得到的最优参数下具有更为优越的控制能力。对于常遇风时拉索出现的多模态涡激振动控制分析表明,碰撞机制能使PTMDI的鲁棒性得到提升,对多模态涡激振动也有相当程度的控制效果。展开更多
在地震作用下,传统的框架结构将出现层屈服机制,产生不可修复的损伤。摇摆墙的引入使结构的破坏机制趋向于整体屈服机制。摇摆墙结构通过放松墙底和基础之间的约束,允许墙体在地震作用下抬升并发生往复摇摆运动。为研究单自由度框架-摇...在地震作用下,传统的框架结构将出现层屈服机制,产生不可修复的损伤。摇摆墙的引入使结构的破坏机制趋向于整体屈服机制。摇摆墙结构通过放松墙底和基础之间的约束,允许墙体在地震作用下抬升并发生往复摇摆运动。为研究单自由度框架-摇摆墙结构在随机激励下的响应,通过建立其在非平稳地震激励下的往复摇摆运动方程,基于随机平均法将结构的非线性角度相关的运动方程转化为等效线性的位移相关运动方程,通过数值计算,分析单自由度框架-摇摆墙结构在非平稳地震作用下的随机响应。结果表明,与蒙特卡洛模拟(Monte Carlo simulations,MCS)进行对比,所提方法具有较高的分析精度和合理性。展开更多
针对BP神经网络算法对电动汽车电池荷电状态(state of charge,SOC)估算的缺陷,提出一种基于萤火虫(fireflyalgorithm,FA)神经网络的SOC估算方法。以磷酸铁锂电池为测试对象,在ARBIN公司生产的EVTS电动车动力电池测试系统装置上进行测试...针对BP神经网络算法对电动汽车电池荷电状态(state of charge,SOC)估算的缺陷,提出一种基于萤火虫(fireflyalgorithm,FA)神经网络的SOC估算方法。以磷酸铁锂电池为测试对象,在ARBIN公司生产的EVTS电动车动力电池测试系统装置上进行测试,收集锂电池的各项性能参数。采用端电压和放电电流作为输入参数,SOC作为输出参数,建立FA-BP神经网络模型,用于估算锂离子电池充放电过程中的任一状态下的SOC。仿真实验结果表明,与现有的BP神经网络估算方法相比,基于FA-BP神经网络的锂电池SOC估算方法准确度高,具备很好的实用性。展开更多
为了解决随机功率谱中的数据缺失问题,提出了一种基于K近邻回归(K neighbors regressor)与长短期记忆神经网络(long short term memory,LSTM)的预测方法。在实际工程应用中,功率谱的精度随着时程样本的增加而提高。但是,由于测量的限制...为了解决随机功率谱中的数据缺失问题,提出了一种基于K近邻回归(K neighbors regressor)与长短期记忆神经网络(long short term memory,LSTM)的预测方法。在实际工程应用中,功率谱的精度随着时程样本的增加而提高。但是,由于测量的限制或数据损坏,存在一些数据难以获取或丢失的情况。对此,引入了机器学习的方法来还原随机功率谱。首先,利用K近邻回归方法填充缺失的数据以获得完整时间历史的样本。其次,建立相应的LSTM神经网络模型进行数据训练。模拟实验结果为在缺失30%和50%数据情况下,采用K近邻回归和LSTM神经网络的方法可以很好地还原目标功率谱。目标功率谱与机器学习还原后的功率谱之间的比较证明了方法的准确性和有效性。展开更多
文摘在以往惯质调谐质量阻尼器(tuned mass damper-inerter, TMDI)的研究基础上,引入非线性碰撞机制,提出一种带碰撞的新型惯质调谐质量阻尼器(pounding tuned mass damper-inerter, PTMDI)来对斜拉索的涡激振动进行控制。该阻尼器不仅能减小装置尺寸,又能利用振子在碰撞过程中产生的加速度突变来提高惯质器的质量放大效应,在一定程度上解决传统惯质型阻尼器一端尽量固接的安装方式,布置上更为灵活。建立了设有该装置的斜拉索涡激减振控制方程,分析了拉索涡激振动特性,并对其减振性能进行了研究。对阻尼器惯容参数和碰撞参数的影响及优化问题进行了探讨,给出了最优参数的取值方法。算例表明,所提PTMDI能显著降低斜拉索的涡激振动响应,且在所提优化方法得到的最优参数下具有更为优越的控制能力。对于常遇风时拉索出现的多模态涡激振动控制分析表明,碰撞机制能使PTMDI的鲁棒性得到提升,对多模态涡激振动也有相当程度的控制效果。
文摘在地震作用下,传统的框架结构将出现层屈服机制,产生不可修复的损伤。摇摆墙的引入使结构的破坏机制趋向于整体屈服机制。摇摆墙结构通过放松墙底和基础之间的约束,允许墙体在地震作用下抬升并发生往复摇摆运动。为研究单自由度框架-摇摆墙结构在随机激励下的响应,通过建立其在非平稳地震激励下的往复摇摆运动方程,基于随机平均法将结构的非线性角度相关的运动方程转化为等效线性的位移相关运动方程,通过数值计算,分析单自由度框架-摇摆墙结构在非平稳地震作用下的随机响应。结果表明,与蒙特卡洛模拟(Monte Carlo simulations,MCS)进行对比,所提方法具有较高的分析精度和合理性。
文摘针对BP神经网络算法对电动汽车电池荷电状态(state of charge,SOC)估算的缺陷,提出一种基于萤火虫(fireflyalgorithm,FA)神经网络的SOC估算方法。以磷酸铁锂电池为测试对象,在ARBIN公司生产的EVTS电动车动力电池测试系统装置上进行测试,收集锂电池的各项性能参数。采用端电压和放电电流作为输入参数,SOC作为输出参数,建立FA-BP神经网络模型,用于估算锂离子电池充放电过程中的任一状态下的SOC。仿真实验结果表明,与现有的BP神经网络估算方法相比,基于FA-BP神经网络的锂电池SOC估算方法准确度高,具备很好的实用性。
文摘为了解决随机功率谱中的数据缺失问题,提出了一种基于K近邻回归(K neighbors regressor)与长短期记忆神经网络(long short term memory,LSTM)的预测方法。在实际工程应用中,功率谱的精度随着时程样本的增加而提高。但是,由于测量的限制或数据损坏,存在一些数据难以获取或丢失的情况。对此,引入了机器学习的方法来还原随机功率谱。首先,利用K近邻回归方法填充缺失的数据以获得完整时间历史的样本。其次,建立相应的LSTM神经网络模型进行数据训练。模拟实验结果为在缺失30%和50%数据情况下,采用K近邻回归和LSTM神经网络的方法可以很好地还原目标功率谱。目标功率谱与机器学习还原后的功率谱之间的比较证明了方法的准确性和有效性。
