基于动作捕捉与深度学习的跳跃荷载重构方法

通过学科交叉,采用医学和运动生物力学中的动作捕捉技术开展了27人次的跳跃荷载试验,总计获得9 985条单次跳跃的反力时程曲线及其对应的人体特征点运动轨迹。利用卷积神经网络技术,以特征点轨迹作为网络输入,分别以地反力三参数模型和多参数模型的目标参数作为输出,训练获得轨迹与地反力之间的高维非线性关系,实现了跳跃荷载重构。与实测荷载的对比表明,跳跃荷载三参数模型能较好地重构单次跳跃曲线的幅值,而多参数模型能更好地反映荷载的时频域特征,适用于不同的使用场合。该方法可作为一种新型的跳跃荷载间接测量手段,结合计算机视觉技术开展服役工程结构的人致荷载监测。

某船坞接长工程底板荷载重构与加固

船坞接长工程是大型集装箱船半串联建造的适应性基建项目。新船坞设计船型发生重大变化,船舶质量分布和搭载工况与旧船坞存在较大差异,有必要对旧船坞底板进行荷载重构与加固。随着新建船舶大型化的趋势,完成的旧船坞接长工程为船厂长远发展提供必要的基础设施,设计和施工经验可对类似项目具有一定的借鉴作用。

基于稀疏Bayes学习算法的无约束结构荷载重构方法

为快速准确重构含有未知初始条件的无约束结构外激励,提出了一种基于稀疏Bayes学习算法的荷载重构方法.结合函数拟合的思想建立控制方程,以噪声服从Gauss分布为先验,在Bayes模型中使用快速算法,稀疏重构未知荷载.为合理表达分段拟合中的初始条件,提出了改进的分段拟合手段,以上一分段末状态响应作为可能初始条件,并辅以低阶振型作为初始位移和初始速度的补充.算例以简化运载火箭模型为研究对象,考虑不同等级噪声和不同初始条件表达形式的影响,验证方法的精度和效率.

基于自适应乘法正则化的结构随机激励识别

针对结构随机激励识别存在的激励位置未知以及重构效率偏低问题,提出了一种基于自适应乘法正则化的结构随机激励识别方法。该方法无需依赖于激励位置的先验信息,仅通过结构响应即可实现激励的准确定位和高效重构。首先,利用不同响应功率谱之间的传递特性来计算任意指定激励位置的定位误差,进而通过最小化定位误差来识别目标激励位置;在此基础上,借助自适应乘性正则化方法,定义全局正则化项来构造新的重构优化函数;然后,引入广义迭代加权最小二乘算法对优化函数进行求解,从而实现了结构随机激励识别;最后通过数值算例验证了所提方法的有效性。结果表明:所提方法能够精准地定位结构随机激励位置,且在与Tikhonov方法重构精度相似的基础上,提高了识别效率约15倍,同时具备良好的抗噪能力,为结构外部作用效应的获取提供了一种新思路。