基于DIC技术和贝叶斯FFT方法结合的结构位移监测和模态参数识别

文章基于计算机视觉技术拍摄的一系列结构振动图像,运用数字图像相关(DIC)技术获取监测节点的亚像素振动位移数据,在此基础上,采用快速贝叶斯FFT方法对被测试结构的动力模态参数进行辨识。为了验证计算机视觉结构振动测试和快速贝叶斯FFT方法相结合在结构模态参数识别中的有效性和准确性,以某实验室5.6 m跨钢桁架模型的振动视频为算例,针对结构有无构件损伤等6种不同工况条件下的振动视频数据,进行振动位移的提取,进而分析桁架不同位置处监测节点识别位移与实际位移之间产生的误差大小及其原因,并借助快速贝叶斯FFT方法,对从不同部位采集的振动视频数据进行结构动力模态参数识别结果的精确度和不确定性对比分析。实验结果表明,文章将DIC位移测量技术和贝叶斯FFT方法相结合,能够有效实现对结构动力模态参数的精准识别。

模态识别的Bayesian TDD-FFT法及其应用

针对Bayesian FFT(Fast Fourier Transform)在多自由度下的病态Hessian矩阵求逆和模态参数不确定性评估问题,提出了Bayesian TDD-FFT模态方法。提出Bayesian TDD(Time Domain Decomposition)方法,将多测点多自由度信号转变为单测点单自由度信号;结合Bayesian FFT和蒙特卡罗方法获取模态参数的最佳估计和后验概率分布,进行不确定性分析,并通过数值模拟验证了Bayesian TDD-FFT法的有效性;基于上海中心大厦实测数据,通过对比分析指出Bayesian TDD-FFT法能够获得Fast Bayesian FFT法的结果精度,同时发现频率和阻尼没有相关性,而激励谱密度和预测误差谱密度存在明显的相关性。

基于Metropolis抽样的非线性反演方法

基于Metropolis抽样的非线性反演应用贝叶斯理论框架,是一种基于蒙特卡洛的非线性反演方法,能够有效地融合测井资料中的高频信息,提高反演结果的分辨率。首先通过快速傅里叶滑动平均模拟算法(FFTMA)和逐渐变形算法(GDM)得到基于地质统计学的先验信息;进而构建似然函数;最后利用Metropolis算法对后验概率密度进行抽样,得到反演问题的解。其中FFT-MA模拟作为一种高效的频率域模拟方法,融入GDM更新算法之后,可以在保持模拟空间结构不变的前提下,连续修改储层模型,保证反演结果有效地收敛,直至满足实际观测地震记录。模型试算和实际数据处理结果表明:基于Metropolis抽样的非线性反演可以提供合理的弹性参数信息,尤其是提高纵波速度的分辨率,即使信噪比较小时,仍然可以反演出合理的弹性参数信息,从而证明了该方法的有效性;当不考虑噪声时,纵、横波阻抗的反演分辨率较弹性参数本身的反演分辨率更高。

参数识别的改进Bayesian TDD-FFT方法及其应用

针对Bayesian TDD-FFT(time domain decomposition-fast Fourier transform)方法的傅立叶频谱泄漏和后验概率抽样分析不易收敛等问题,提出了模态识别的改进Bayesian TDD-FFT方法。该方法采用AR(auto-regression)模型谱估计代替傅立叶谱进行参数识别,解决了傅立叶谱不满足无偏性和一致性的问题,提高了模态参数的识别精度;基于高斯概率模型,利用对数似然函数的二阶泰勒展开,将模态参数的后验联合概率分布函数简化为高斯概率密度函数,实现了模态参数的不确定性评估,并通过数值算例验证了改进Bayesian TDD-FFT方法的有效性。基于环境激励下的上海中心大厦实测数据,通过将改进Bayesian TDD-FFT方法与fast Bayesian FFT方法、随机子空间法等4种识别方法进行对比,验证了改进的Bayesian TDD-FFT方法具有良好的识别精度和抗噪性。同时,发现5种方法识别的结构自振频率总体吻合较好,而阻尼比存在较大差异。

环境激励下基于快速贝叶斯FFT的实桥模态参数识别

近年来,贝叶斯理论逐步应用于工程结构的模态参数识别、有限元模型修正及状态评估等方面。基于快速贝叶斯FFT的模态参数识别方法是针对某一共振频率带的单个模态,通过一个四维的数值优化问题得到模态参数的最佳估计,并通过对数似然函数关于模态参数的二阶导数求得Hessian矩阵,使得基于贝叶斯的参数识别方法可以快速高效地进行。为了评估该方法在实际桥梁结构模态参数识别应用中的可行性及优越性,运用快速贝叶斯FFT方法对环境激励下一刚构-连续组合梁桥的竖向加速度响应进行了分析处理,识别了其模态参数的最佳估计,并根据模态参数的变异系数评估了其后验的不确定性。识别结果与随机子空间识别结果的对比表明,两种方法识别的频率和振型基本吻合,阻尼识别结果的差异仍然较大。