大型结构非线性物理参数识别的线性化算法

提出了一种识别大型结构非线性物理参数的Taylor级数线性化算法。该算法基于反应力向量灵敏度模型参数化方法的改进算法,适用于线性结构的一般有限元模型;根据结构的时域测量响应,能够直接识别出未知集中输入下结构在单元水平上的非线性物理参数。在算法中,经Tay-lor级数线性化处理后的识别方程,可以简便地由通用有限元程序得到;且其严重病态特性可以通过预处理方法得到有效改善。结果表明,对数值仿真-剪力墙结构的物理参数识别,当保证无噪声条件下的识别精度100%时,算法的计算效率提高了100多倍,且识别结果对初始估计值敏感程度显著下降,因而特别适合于大型结构非线性物理参数的识别。

模型参数化方法的一种改进算法

针对线性结构的有限元模型,并基于时域内的响应测量信息,建立了直接识别单元水平结构物理参数的改进算法;通过引入浮点运算指标Flop,定量分析了改进算法与原算法的计算效率.数值仿真了一大型空间网壳结构的参数识别,并对比分析了改进算法与原算法在相同计算条件下的识别效率,结果表明:在保证无噪声条件下识别精度100%时,改进算法的计算效率提高了约30倍;且改进算法可以有效地识别未知输入条件下的结构参数.由此得出结论,改进算法不仅能够大幅度提高参数识别的计算效率,而且易于扩展到未知输入情况下的参数识别,因而特别适合于大型结构的参数识别.