-
题名弹性地基上多孔二维功能梯度材料微梁自由振动研究
- 1
-
-
作者
赵英治
唐怀平
赖泽东
章家杰
-
机构
西南交通大学力学与航空航天学院
-
出处
《应用数学和力学》
CSCD
北大核心
2023年第11期1354-1365,共12页
-
基金
国家自然科学基金项目(51778548)。
-
文摘
基于修正偶应力和Timoshenko梁理论,利用Hamilton变分原理推导了Winkler弹性地基上多孔二维功能梯度材料(2D-FGM)微梁的振动控制方程,采用微分求积法获得固支-固支(C-C)、简支-简支(S-S)边界条件下微梁的振动频率和基本振型,对刚度矩阵进行数学处理后极大地提高了计算效率,将该文模型退化为宏观和微观二维功能梯度模型且与已有文献对比验证其正确性.算例结果表明:该文数学模型适用于不同类型的二维材料分布;微梁的无量纲振动频率随着Winkler弹性地基模量的增大而增大;在一定Winkler弹性地基模量下,微梁的无量纲振动频率随着功能梯度指数、轴向功能梯度指数、孔隙率的增大而减小.材料变化对振动模态的影响随着振动模态阶数的增加而增加.同样参数下,孔隙均匀分布时梁频率略小于孔隙线性分布的情况.
-
关键词
修正偶应力理论
孔隙率
Winkler弹性地基
二维功能梯度材料
微分求积法
-
Keywords
modified couple stress theory
porosity
Winkler’s foundation
2D functionally graded material
differential quadrature method
-
分类号
O342
[理学—固体力学]
-
-
题名基于神经网络方法的车桥冲击力预测
- 2
-
-
作者
章家杰
唐怀平
赵英治
-
机构
西南交通大学力学与航空航天学院
-
出处
《中文科技期刊数据库(引文版)工程技术》
2023年第4期92-98,共7页
-
基金
冲击力峰值作为揭示力学行为的重要指标,其关乎桥梁的功能和安全设计,同时冲击力受到车辆碰撞角度、车辆速度、车辆质量、材料刚度、桥梁结构、桥墩形状、偏心距离等诸多因素的影响,所以准确高效预估车桥冲击力峰值具有重要的工程价值。SherifEl-Tawil等[1]通过数值软件模拟车桥碰撞过程得到碰撞时程曲线,并比较不同桥墩形状对于冲击力峰值的影响。当车辆与方形桥墩相撞时,冲击力相比于圆形桥墩达到峰值的时间更晚,但冲击力峰值更大。并且车辆速度越大,冲击力达到峰值后衰减越快。李瑞文等[2]通过40个车桥碰撞工况分析得到冲击力的峰值与车辆速度和车辆质量有关,且桥墩最大变形随撞击速度呈二次函数关系,随撞击质量呈线性关系。赵武超等[3]在文中提到车桥碰撞时程曲线有三个峰值,第一个峰值由车辆保险杠与桥墩撞击得到,第二个峰值是因为发动机还未损坏车辆继续与桥墩撞击,货箱由于惯性挤压车头与桥墩发生碰撞继而产生第三个峰值。TinV.Do等[4-6]通过分析碰撞过程中桥墩每一时刻的弯矩图,可以看出弯矩和剪切力在碰撞过程中变化显著,它们与惯性力的分布高度相关。通过对柱基、冲击点、中间段和柱顶的弯矩进行仔细的动态分析,可以得到关于桥墩失效点可靠的预测。刘莉萍等[7]使用不同大小网格对桥墩进行划分,发现网格疏密程度对于桥梁损伤分析有着较为显著的影响,并且在分析桥梁墩顶位移时,需在碰撞发生时就将重力荷载设置在桥梁结构上,从而减少因软件原因带来的误差。Chen[8]等使用不同车辆模型进行车桥碰撞仿真试验,发现车型对于桥梁动力响应影响较大,整体动量较小的半挂式卡车在特定情况下对于桥梁的破坏反而大于整体动量较大的牵引式挂车。由于重型车辆撞击桥梁试验花费较高,且其实际操作难的缺点,所以前人多采用有限元法分析车桥碰撞问题[8],然后将数值结果与实验结果进行对比,说明有限元法处理该类问题的有效性和正确性。而目前对于预测车桥碰撞产生的结果相关文献研究还比较匮乏,刘文君等[9]通过人工神经网络方法预测轿车与行人碰撞后,车体碰撞速度与人体所受伤害等问题,验证了该方法的可行性。目前规范中关于汽车冲击荷载的研究一般采用等效静力进行分析[10],并没有给出车辆冲击荷载计算公式。由于现代车辆的载重越来越大,因此实际情况中冲击力往往大于规范中设定的数值。本文通过Hypermesh软件建立车桥碰撞模型,运用有限元软件LS-DYNA对碰撞问题进行数值仿真,通过将车辆速度、车辆质量以及碰撞角度等参数进行排列组合的方式来设定100组计算工况,并分析各种工况下的冲击力时程曲线。抽取其中90组有限元计算得到的冲击力结果数据作为训练集,将其输入人工神经网络模型进行深度学习,从而建立预测模型来预测冲击力峰值。将其余的10组仿真结果数据作为样本集,对比模型预测结果与检验样本的误差大小,验证神经网络模型的准确性和可行性。该方法为提前预测车桥碰撞冲击力峰值的大小提供新的思路,为桥墩防撞设计提供一种预测方法。1研究理论与方法1.1非线性有限元控制方程车辆与桥墩结构发生碰撞时,两者在相互的冲击荷载作用下发生了大变形、大位移。研究碰撞问题时,通常采用拉格朗日法来描述物体运动和变形,从而建立运动微分方程,即M?+C?+Kx=H+F(1)式中,M为整体质量矩阵,C为整体阻尼矩阵,K为整体刚度矩阵,?为加速度矢量,?为速度矢量,x为位移矢量,H为沙漏阻尼力矢量,F为外荷载矢量。在有限元分析中,求解碰撞问题一般可通过中心差分法来计算该动力微分方程[11]。中心差分法是一种求解微分方程数值解的近似方法,利用有限差分表达式,可以用位移来表示速度和加速度,从而将微分方程转化为代数方程组。通过求解线性方程组,便可得到微分方程的近似解。一般来说,分的步长越多,则求解结果越准确。由于中心差分法是一种条件稳定算法,因此为确保计算过程的稳定性,时间步长一般设置得很小,稳定条件为时间步长小于临界时间步长,即(2式中,为系统的最高阶的固有振动频率。1.2神经网络基本原理神经网络是通过设定大量人工神经元相互连接构成一种网络计算模型,通过不断循环计算收敛逼近于图1人工神经元真实情况的方法[9]。图1为人工神经元示意图,为输入数据,为与输入数据对应的权值大小,通过神经元节点进行输入,经过传递函数处理后输出,输出的表达式为:(3)1.3神经网络方法预测冲击力峰值对于车桥碰撞这种非线性问题,应根据结果的性质与特点,选取合适数据输入训练集当中,从而确定神经网络结构形式等。通过训练集不断计算收敛,寻找内在规律来不断完善网络模型,从而预测冲击力峰值大小。设定好车辆模型参数后,首先通过改变车辆速度、车辆质量、车辆碰撞角度等参数,计算得到各个工况下的车桥碰撞冲击力时程曲线,选取冲击力峰值导入训练集中计算。然后,建立神经网络预测模型,选取90组作为训练组,10组数据作为对照组。最后将神经网络模型预测结果与仿真结果对比,分析神经网络方法预测冲击力峰值的可行性,其流程图如图2所示。图2神经网络方法流程图2车桥碰撞有限元分析2.1车辆有限元模型及参数设置如图3所示,车辆模型选用美国“国家碰撞分析中心”推出的标准双轴卡车福特F800汽车模型。该模型的通用性强、准确度高,各部件均已通过实验验证了其可行性。车辆模型长8564mm,宽2375mm,车头高2518mm,车身高5846mm。整车有限元模型共有51602个节点,48238个单元。图3车辆有限元模型由于碰撞发生时间太短,结构强度随着应变率升高而升高,因此在选用车头部分的壳体的材料模型时,必须考虑材料的应变率效应。本文中钢铁材料选用对应变速率敏感的Cowper-Symonds随动塑性模型公式如下,钢材材料具体参数如表1。其中是等效塑性应变值,是等效塑性应变率,为对应的应力值,为准静态应力值
为应变率参数,模型控制卡片中参数的值决定硬化模型的类型,时,为各向同性硬化,屈服面位置不变,大小随应变而变化。表1钢材材料参数ρ(kg/m3)E(MPa)νcpβ78502.1×1050.340512.2桥梁有限元模型及参数设置本文建立了1:1的箱式梁桥数值模型,其跨度为20m,桥面宽9.8m,厚度为0.4m,如图4所示。箱梁下部采用长2.4m,宽2m的方形桥墩,方形桥墩下方则是一方形承台,承台尺寸为8m×6m×1m,其起到承受和传递荷载的作用。承台下面红色部分则为4根直径1.2m的圆形钢筋混凝土桩,由于车桥碰撞产生的响应大部分都由桥墩主体承受,因此将混凝土桩设置为固结。图4桥梁有限元模型桥梁材料选用由美国联邦公路管理署组织开发的混凝土连续面盖帽模型[12](CSCM)。选用该模型模拟桥墩混凝土,能够充分考虑混凝土由于瞬时荷载而产生的大变形以及应变率快速变化等条件下的材料特性,可以很好地模拟混凝土非线性变形过程。在Hypermesh中通过MAT_CSCM_CONCRETE卡片设置模型材料参数,其中抗剪强度设置为45.6MPa,最大聚合尺寸设置为25mm。RECOV设置为1表示模量保持在脆性损伤水平,ERODE值设置为1.1,定义混凝土接触面发生侵蚀。2.3有限元仿真计算以车重10t,车辆行驶速度80km/s正碰桥墩的典型工况为例进行数值仿真,可以得到以下结论:碰撞过程中,车头与墙体接触逐渐发生变形、屈曲以及破坏失效。桥墩接触面呈内凹型,混凝土单元破坏失效脱落。碰撞结束后,车辆回弹一定距离,车头完全变形,严重危害驾驶员安全。图5为碰撞车辆VonMises应力云图,我们可以看到,车头碰撞部分应力值较大,而车厢部分相对较小,车体各个部件之间的连接梁单元出现应力集中现象,碰撞损伤表现出明显的局部性。图5车辆VonMises应力云图设计桥梁时需要考虑冲击力峰值的大小,因此探究影响冲击力峰值的因素就显得尤为重要。车桥碰撞大致可分为三个部分[6]。如图6所示,第一部分为汽车保险杠与桥墩的碰撞
+5 种基金
第二部分为车头与桥墩的碰撞,冲击力数值迅速升高达到峰值后下降,车厢部分质量改变对于其冲击力峰值几乎无影响
第三部分为车厢由于惯性向前与桥墩发生的碰撞,碰撞发生时,冲击力数值继续升高,达到峰值后下降,第三次冲击力峰值大小与货物质量有关,货物质量越大,第三次冲击力峰值越高。图6车辆冲击力时程曲线2.4各工况下的车桥碰撞冲击力峰值冲击力峰值的大小往往与多种因素有关,各因素组合变换的细微差别就可能会导致结果的明显差异[13]。通过查阅大量文献,本文选取三个对于冲击力峰值具有显著影响的参数:车辆速度、车辆质量以及碰撞角度。通过三个因素的排列组合设置100组工况,选用LS-DYNA有限元分析软件进行计算,得到各工况下的冲击力峰值如表2所示。表2各工况下冲击力峰值m/kgv/(m/s-1)θ/°Fpeak/MN600103.7156010103.6426020103.3076030102.847700106.0247010104.9977020104.0477030103.647800108.2048010106.8378020104.8148030103.771900108.5399010108.1469020105.1709030104.5451000109.15810010108.92210020106.57310030105.989600203.2646010203.6586020203.7396030202.864700206.0857010205.0107020204.0557030203.712800208.2088010206.9558020204.8308030204.816900208.5839010208.8549020205.1709030205.5061000209.15810010208.94910020208.23610030206.960600305.4876010305.1306020304.0896030306.302700306.6927010306.6427020304.7507030306.670续表2各工况下冲击力峰值m/kgv/(m/s-1)θ/°Fpeak/MN800308.2748010308.0008020308.9518030308.0789003011.86990103014.39590203013.98290303010.81910003015.432100103019.733100203017.001100303019.640600406.0066010407.5716020407.3156030406.919700409.85270104012.19470204013.08070304011.6118004013.23680104018.18080204015.68380304016.5309004026.31190104021.99190204021.33590304020.82810004033.034100104042.999100204042.120100304028.353600509.5276010509.01060205011.1936030509.6037005015.68970105018.02770205014.61870305015.5788005025.73280105025.07480205027.20680305022.8689005040.97590105045.52690205047.32490305021.44110005059.840100105059.998100205059.701100305026.020由上表可知,冲击力峰值大小与车辆速度、车辆质量和碰撞角度等因素密切相关。总的来说,当汽车质量以及碰撞角度不变时,速度越大则冲击力峰值越大。当汽车速度和碰撞角度不变时,汽车质量不超过30t时,货箱造成的冲击力小于发动机造成的冲击力
而汽车质量超过30t时,货物质量越大则造成的冲击力越大。此外,发动机撞击桥墩产生的冲击力随角度增大而减少,导致在车速较小和货物质量较小的工况下,货箱造成的冲击力也会大于发动机造成的冲击力。综上所述,当车辆以较高车速行驶的情况下,与桥墩发生正碰会产生较大冲击力
当汽车整体质量较小时,通过增大碰撞角度可以适当较少桥梁的损伤
当汽车整体质量较大时,角度增大会导致车头部分变形较小,从而减少碰撞能量的吸收,之后货箱由于惯性与桥墩直接接触造成冲击力显著增大。3神经网络方法预测冲击力峰值3.1神经网络的搭建与训练目前有许多种神经网络方法,BP神经网络是其中经典的机器学习算法[13],其优点是结构简单以及具有较强非线性映射能力,因此成为深度学习的重要算法之一,其组成如图7所示。图7BP神经网络模型Elman神经网络是一种局部回归网络,基于BP神经网络增加一个关联层,可以将其看作延时算子,通过记忆传递的方式将上一个阶段的隐层状态和当前阶段的状态一同输入模型进行训练,从而达到不断优化的模型的目的,其组成如图8所示。图8Elman神经网络模型模型建立完毕后,为了加快模型的收敛速度同时避免碰撞影响参数量纲不统一等造成的数值问题,需对数据进行归一化处理。将有限元计算得到的100组工况下的冲击力峰值以及车辆速度和碰撞角度等影响参数归一化处理后,通过神经网络程序随机抽取90组样本作为实验组,剩余10组作为对照组。定义好训练参数后对模型进行训练,训练完成后,使用训练好的模型对10组对照组工况下冲击力峰值进行预测,将得到的结果进行反归一化处理后即可得到神经网络模型预测的冲击力峰值。3.2神经网络模型预测结果与仿真值对比在同种工况条件下,将神经网络模型预测得到的冲击力峰值与有限元计算得到的10组测试样本进行对比,结果如图9所示,对比结果计算分析如表3所示。通过比较神经网络预测结果与10组随机选得的仿真结果可以得到:BP神经网络预测值的平均相对误差为8.58%,而Elman神经网络预测值的平均相对误差为8.92%。从两种神经网络预测结果的相对误差来看,BP神经网络相对Elman神经网络预测结果更好。若去掉一个最大值与最小值来排除个别较差数据对结果的影响,可以得到BP神经网络预测值的平均相对误差为8.61%,而Elman神经网络预测值的平均相对误差为6.60%。若不考虑车辆结构的影响,则选用BP神经网络预测更为准确,若考虑车辆结构的影响,则选用Elman神经网络预测更为准确。图9两种神经网络预测结果与仿真值对比表3两种神经网络模型的验证结果v/(m·s-1)角度/°m/kg仿真值/MNBP预测值/MNBP相对误差/%Elman预测值/MNElman相对误差/%70807010070708080908020303020100302010104030205040205050204013.088.073.716.6912.196.0822.8627.208.8518.1811.128.673.486.7410.157.0823.4227.258.0516.0614.987.436.190.7416.7316.442.440.189.0311.6611.588.153.506.9412.543.9322.5226.4510.3119.7111.460.995.663.732.8735.361.482.7516.498.414结论本文通过有限元软件仿真得到100组基于不同车体质量、车体速度以及碰撞角度等影响因素工况下的碰撞时程曲线,取其冲击力峰值结合神经网络算法对其进行预测,并将预测得到的冲击力峰值与仿真值进行对比,得出以下结论:由于立柱对车辆发动机冲击的破坏,在碰撞角度不超1过20°、汽车质量不超过30t工况下,车厢冲击所产生的冲击力峰值都不会大于发动机冲击所产生的冲击力峰值,但会根据车辆速度和货物质量产生更大的冲量
而在汽车质量超过30t工况或高速大角度碰撞的工况下,车厢与桥梁直接接触导致货物产生的冲击力大于引擎产生的冲击力Elman神经网络具有一定的特异性,而BP神经网络具有普遍适用性。若不考虑车辆结构的影响,则选用BP神经网络预测结果更好,若考虑车辆结构的影响,则选用Elman神经网络预测更好。参考文献[1]SherifEl-Tawil,EdwardSeverino,PriscillaFonseca.VehicleCollisionwithBridgePiers[J].JournalofBridgeEngineering,2005,10(3).[2]李瑞文,周德源.车辆撞击下桥墩动力响应与撞击荷载研究[J].结构工程师,2019,35(02):83-92.[3]赵武超,钱江,王娟.重型车辆撞击下桥墩冲击力简化模型[J].交通运输工程学报,2019,19(04):47-58.[4]TinV.Do,ThongM.Pham,HongHao,Impactforceprofileandfailureclassificationofreinforcedconcretebridgecolumnsagainstvehicleimpact,EngineeringStructures,Volume183,2019。[5]TinV.Do,ThongM.Pham,HongHao,Proposeddesignprocedureforreinforcedconcretebridgecolumnssubjectedtovehiclecollisions,Structures,Volume22,2019.[6]TinV.Do,ThongM.Pham,HongHao.Dynamicresponsesandfailuremodesofbridgecolumnsundervehiclecollision[J].EngineeringStructures,2018,156.[7]刘莉萍,刘万锋,郭建博,杜婷,邓锷.车撞混凝土桥墩精细化建模方法[J].铁道科学与工程学报,2022,19(06):1666-1674.[8]ChenL,WuH,LiuT.Vehiclecollisionwithbridgepiers:Astate-of-the-artreview[J].AdvancesinStructuralEngineering,2020,24(2).[9]宣超,彭可可.基于LS-DYNA的重型车辆撞击方形桥墩数值模拟分析[J].华东交通大学学报,2020,37(05):102-106+114.[10]刘文君.基于有限元仿真和遗传神经网络的轿车-行人碰撞再现研究[D].第三军医大学,2015.[11]中华人民共和国铁路局.铁路桥涵设计规范:TB10002-2017[S].2017.[12]陈偲鹏.车桥碰撞时撞击作用与影响参数计算分析研究[D].长沙理工大学,2017.[13]陈林,颜泽峰.常见动态混凝土材料模型基本力学特征对比分析[J].湖南工业大学学报,2017,31(03):1-5.[14]张爱锋,刘少康,苏琳芳.多因素影响下的船桥碰撞力神经网络预测方法研究[J].船舶力学,2020,24(11):1470-1478.[15]李秦超,姚成宝,程帅,张德志,刘文祥.神经网络状态方程在强爆炸冲击波数值模拟中的应用[J/OL].爆炸与冲击:1-13[2023-03-23].http://kns.cnki.net/kcms/detail/51.1148.O3.20221026.1716.026.html.。
-
文摘
探究车桥碰撞问题中各类因素对冲击力峰值的影响对于保障人们生命财产安全具有重要意义。首先采用有限元方法对钢筋混凝土桥柱在车辆碰撞作用下的动力响应进行了数值仿真,通过改变车辆速度、车辆质量和碰撞角度等影响参数得到多种工况下的车桥碰撞冲击力峰值;接着将仿真结果输入BP神经网络和Elman神经网络两种神经网络算法进行训练,将训练后的神经网络模型预测结果与仿真检验样本进行对比,验证了两种神经网络方法的准确性和适用性。训练得到的神经网络仅需输入待定的车辆参数便可得到较为准确的冲击力峰值,为车桥碰撞后的结果走向提供了一种预知方法。
-
关键词
车桥碰撞
冲击力峰值
BP神经网络
ELMAN神经网络
-
分类号
U447
[建筑科学—桥梁与隧道工程]
-