基于模型更新的土木結構混合試驗方法.pdf

1、結構混合試驗是將物理加載試驗和數(shù)值模擬相結合來評估大型復雜土木結構地震反應和抗震性能的有效試驗技術，目前正得到了研究者們的廣泛關注。目前已在混合試驗系統(tǒng)、數(shù)值積分算法、加載控制、時滯補償、誤差累計控制等關鍵技術方面取得了一定的研究成果。然而，對于高層建筑或者大跨度橋梁結構進行混合試驗時，研究者們會遇到很大困難。當整體結構進入非線性，不可能將所有關鍵部分都進行物理試驗，如何準確模擬數(shù)值子結構成為最大的挑戰(zhàn)。為了能夠提高混合試驗中數(shù)值子結構

2、模型的準確性，提出了基于約束隱性卡爾曼濾波器的模型更新混合方法。模型更新混合試驗方法的研究對推動混合試驗方法發(fā)展及客觀揭示大型復雜土木結構的動力災變過程具有重要的理論意義和實用價值。
　　本文針對基于模型更新的土木結構混合試驗方法的一些關鍵科學問題進行了研究，主要研究內(nèi)容如下：
　　(1)采用確定性最小二乘法在線識別雙折線模型參數(shù)，通過數(shù)值模擬和試驗驗證了在相同加載路徑下的在線模型更新效果。研究表明：該方法具有良好的參數(shù)識別

3、精度和較高的計算效率。針對兩層防屈曲支撐結構，首次進行了模型更新的混合試驗驗證。試驗研究表明：與傳統(tǒng)混合試驗相比，在線模型更新可以有效地減小混合試驗數(shù)值模型誤差，提高混合試驗精度。
　　(2)針對常量標量系統(tǒng)，推導了不考慮過程噪聲和考慮過程噪聲狀態(tài)估計方差解析表達式，給出了卡爾曼濾波器影響參數(shù)對狀態(tài)估計影響規(guī)律。采用狀態(tài)估計方差作為狀態(tài)估計評價標準，給出了使用卡爾曼濾波器進行狀態(tài)估計時濾波器參數(shù)取值建議。驗證了采用狀態(tài)投影方法來解

4、決界限約束狀態(tài)估計的合理性。提出了考慮乘性噪聲卡爾曼濾波器的最優(yōu)估計遞推算法，通過彈性結構剛度識別驗證了算法的有效性。
　　(3)研究了基于隱性卡爾曼濾波器(UKF)的模型更新方法，搭建了基于dSPACE控制平臺的FTS作動器試驗系統(tǒng)，針對彈性試件首次進行了基于UKF的模型更新混合試驗。試驗表明：與傳統(tǒng)混合試驗相比，該試驗方法大幅度地提高了混合試驗精度。提出了基于修改 Sigma點(Sigma Points)位置及權重的約束隱性卡

5、爾曼濾波器算法(約束UKF)。與UKF相比，約束UKF算法主要有兩個方面的改進：1)在預測步中，將違反界限約束的Sigma點移至邊界上，同時將約束界限內(nèi)的Sigma點做相應對稱調整，并從理論上證明當κ=0.5時考慮約束的UT變換算法具有一階精度；2)在校正步中，采用狀態(tài)更新方程產(chǎn)生變換后的Sigma點，當更新的狀態(tài)估計違反界限約束時，直接將超出約束邊界的Sigma點投影到邊界上，并給出了校正步狀態(tài)估計均值和協(xié)方差計算公式的理論證明。所提

6、出的算法可以同時考慮了界限約束對狀態(tài)估計均值和協(xié)方差的影響，而且具有較高的計算效率，能夠實現(xiàn)實時模型更新。給出了Bouc-Wen模型在線參數(shù)識別方法。研究表明：與UKF方法相比，約束UKF方法能夠有效地減小參數(shù)識別值前期波動幅度，確保參數(shù)識別值的物理意義，提高參數(shù)識別收斂速度和模型更新精度。進行了濾波器初始參數(shù)影響分析，并給出參數(shù)選擇建議。
　　(4)針對兩個自由度非線性結構進行了基于約束 UKF模型更新的混合試驗數(shù)值模擬，驗證了

7、該試驗方法的有效性和可行性。采用 dSPACE-MTS實時混合試驗系統(tǒng)，分別針對防屈曲支撐結構首次進行了慢速和實時的模型更新混合試驗。試驗表明：與傳統(tǒng)混合試驗和基于 UKF模型更新的混合試驗相比，基于約束UKF模型更新的混合試驗方法可以更大程度地提高混合試驗精度。
　　(5)提出基于 OpenSees的模型更新混合試驗方法，針對一榀六層框架-支撐結構，進行了多種情況下的模型更新混合試驗數(shù)值仿真。數(shù)值子結構和試驗子結構均采用Open

8、Sees進行數(shù)值模擬，模型參數(shù)識別采用Matlab編程實現(xiàn)。通過修改原 OpenSees程序源代碼，建立可以模型更新的twoNodeLink單元。采用 Socket通信技術實現(xiàn) OpenSees和Matlab程序的數(shù)據(jù)傳輸。分別討論試驗支撐采用 Bouc-Wen模型和考慮強度、剛度退化的Bouc-Wen模型兩種情況下模型誤差對混合試驗精度的影響。研究表明，模型誤差將導致模型參數(shù)識別值很難收斂到一個穩(wěn)態(tài)值，具有較強的時變性，這會降低模型更