提出基于Kriging模型的有限元模型修正方法。Kriging模型为据区域内若干信息样品某种特征数据对该区域同类特征未知数作线性无偏、最小方差估计方法,其只用少量样本即可获得较高精度预测结果。用Kriging模型对平面桁架进行有限元模型修...提出基于Kriging模型的有限元模型修正方法。Kriging模型为据区域内若干信息样品某种特征数据对该区域同类特征未知数作线性无偏、最小方差估计方法,其只用少量样本即可获得较高精度预测结果。用Kriging模型对平面桁架进行有限元模型修正,验证该方法的可行性与准确性;对一连续梁拱桥进行模型修正,并与GA算法、BP神经网络方法模型修正结果比较分析。Kriging模型仅需一定量测量频率信息即可完成模型修正,能避免修正过程中进行有限元模型迭代计算。结果表明,该方法能准确预测有效频率范围(active frequency range)外模态信息,计算效率、精度较高,可用于工程实践。展开更多
文摘提出基于Kriging模型的有限元模型修正方法。Kriging模型为据区域内若干信息样品某种特征数据对该区域同类特征未知数作线性无偏、最小方差估计方法,其只用少量样本即可获得较高精度预测结果。用Kriging模型对平面桁架进行有限元模型修正,验证该方法的可行性与准确性;对一连续梁拱桥进行模型修正,并与GA算法、BP神经网络方法模型修正结果比较分析。Kriging模型仅需一定量测量频率信息即可完成模型修正,能避免修正过程中进行有限元模型迭代计算。结果表明,该方法能准确预测有效频率范围(active frequency range)外模态信息,计算效率、精度较高,可用于工程实践。