CN107395704A - 一种Spark云计算平台下的结构物理参数辨识方法 - Google Patents
一种Spark云计算平台下的结构物理参数辨识方法 Download PDFInfo
- Publication number
- CN107395704A CN107395704A CN201710570133.6A CN201710570133A CN107395704A CN 107395704 A CN107395704 A CN 107395704A CN 201710570133 A CN201710570133 A CN 201710570133A CN 107395704 A CN107395704 A CN 107395704A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- value
- key
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012850 discrimination method Methods 0.000 title claims abstract description 10
- 239000002245 particle Substances 0.000 claims abstract description 50
- 230000001133 acceleration Effects 0.000 claims abstract description 45
- 238000013016 damping Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000006872 improvement Effects 0.000 claims abstract description 5
- 239000011229 interlayer Substances 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 17
- 230000006978 adaptation Effects 0.000 claims description 16
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种Spark云计算平台下的结构物理参数辨识方法，包括以下步骤：步骤S1：建立结构的数值模型；步骤S2：利用多个加速度传感器对结构的振动信息进行采集，获取结构层间的加速度数据；步骤S3：在结构质量已知情况下，对刚度和阻尼进行编码，利用Spark作为分布式计算执行引擎，利用弹性分布式数据集RDD，实现Spark云计算平台下改进并行化多粒子群协同优化算法的并行处理；步骤S4：根据结构实测和数值模型预测的加速度响应计算适应度函数，求解所述改进并行化多粒子群协同优化算法。本发明能够快速的计算出结构物理参数，能很好解决海量数据下的结构物理参数辨识。
Description
技术领域
本发明涉及一种Spark云计算平台下的结构物理参数辨识方法。
背景技术
随着经济的发展和科技的进步，许多大型工程如超大桥梁、超高层建筑、海洋平台结构等得以兴建，他们在长期服役的过程中，环境侵蚀、材料老化和荷载的长期效应、疲劳与突变等灾害因素的藕合作用将不可避免地发生损伤积累必然导致结构物理参数如刚度、质量、阻尼发生改变，从而在极端情况下引发灾难性的突发事故。因此对大型工程结构进行结构健康监测和结构损伤识别具有极其重要的意义。结构健康监测***和损伤检测是目前保证大型结构安全运行的主要措施。然而，随着大型复杂结构安装的传感器数量越来越多，结构健康***产生的监测数据随着时间推移趋于海量化，传统的结构分析计算方法遇到了很大的困难：首先大型复杂结构的结构健康监测***在长期、连续的监测中，采集的数据量十分巨大；其次由于监测手段的日趋丰富,监测数据的种类越发多样化；另外,***对数据处理的速度要求也不断提高,再加上结构健康监测***本身的缺陷比如测量精度低、***可靠性差等问题,使得如何能够快速、有效的分析数据成为目前结构健康监测中最重要的研究课题之一。而云计算的出现，恰好为解决这一课题提供了新的思路和方法。
云计算是一种按需取用计算资源的模式，这种模式提供可用的、便捷的、按需的网络访问和可配置的计算资源共享池，只需进行少量的管理工作，就可以快速获得大量计算资源。云计算平台主要包括Hadoop、Apache Spark等技术。其中Hadoop云计算技术从2003年发展至今，它的MapReduce编程模型得到广泛推广。但MapReduce计算过程的数据存储依赖本地磁盘和分布式文件***(HDFS)，面对诸如多粒子群(PSO)等智能优化算法的迭代运算时，磁盘存取将占用大量时间开销，大幅降低算法整体执行效率。2009年由加州大学伯克利分校的AMPLab实验室最初开发了ApacheSpark，它是一个围绕速度、易用性和复杂分析构建的大数据处理框架，并于2010年成为Apache的开源项目之一，可用来构建大型的、低延迟的大数据分析***。Apache Spark克服了MapReduce在迭代式计算的不足，能够很好地解决MapReduce不易解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种Spark云计算平台下的结构物理参数辨识方法，能够快速的计算出结构物理参数，能很好解决海量数据下的结构物理参数辨识。
为实现上述目的，本发明采用如下技术方案：
一种Spark云计算平台下的结构物理参数辨识方法，其特征在于，包括以下步骤：
步骤S1：建立结构的数值模型；
步骤S2：利用多个加速度传感器对结构的振动信息进行采集，获取结构层间的加速度数据；
步骤S3：在结构质量已知情况下，对刚度和阻尼进行编码，利用Spark作为分布式计算执行引擎，利用弹性分布式数据集RDD，实现Spark云计算平台下改进并行化多粒子群协同优化算法的并行处理；
步骤S4：根据结构实测和数值模型预测的加速度响应计算适应度函数，求解所述改进并行化多粒子群协同优化算法。
进一步的，所述步骤S3包含以下具体步骤：
步骤S31：首先在质量已知的情况下，对结构物理参数包括结构刚度和阻尼进行编码，即Spark云计算平台下改进并行化多粒子群协同优化算法的输入为一个向量[k1,k2,...,kn,ζ1,ζ2,...,ζm]，其中k1,k2,...,kn为刚度值，ζ1,ζ2,...,ζm为阻尼比；其中，实现该算法的RDD数据集数据格式如下：
(ID,ColonyID,x,v,ffit,(Pi,ffiti),(Pg,ffitg),(Pu,ffitv)) (1)
式中：ID为粒子群编号；ColonyID为子群编号；x＝(x1,x2,...,xn)为粒子的当前位置向量；v＝(v1,v2,...,vn)为粒子的当前速度向量；ffit为粒子的当前适应度值，通过适应度函数计算得出；(Pi,ffiti)为个体经历的最佳位置信息向量，Pi＝(xi1,xi2,...,xin)为个体经历的最佳位置，ffiti为个体经历的最佳适应度值；同理(Pg,ffitg)和(Pu,ffitv)分别对应子群经历的最佳位置信息向量和整体粒子群经历的最佳位置信息向量；
步骤S32：初始化粒子群，在取值范围内随机生成粒子群，包括初始位置和初始速度，并按照预先计划子群数量确定粒子ColonyID；
步骤S33：按照式(2)、式(3)更新粒子位置向量和速度向量，通过式(4)计算粒子的个体适应度值并更新(Pi,ffiti)；
式中，k表示当前进化代数；vi和zi分别表示第i个粒子的速度和位置；pi表示第i个粒子经历的最佳位置；pg和pgi分别表示整个种群和第i个粒子所在子种群经历的最佳位置；r1和r2为[0,1]之间的随机数；c1和c2为学习因子；w为惯性权重；
式中，Fa(θ)为粒子的个体适应度值，θ是待辨识结构参数向量，Θ是待辨识参数的取值范围，amea(i,j)表示结构实测的第i时刻第j测点加速度响应，anum(i,j)表示数值模型预测的第i时刻第j测点加速度响应；N为测点总数，L为测量数据总长度；
步骤S34：Map操作，以ColonyID为key值，其他数据为value,构成(key,value)键值对；
步骤S35：Reduce操作，获取各个子群的最佳适应度值和对应最优解，产生(key,value)键值，其中key是ColonyID,value是(Pg,ffitg)；
步骤S36：Join操作，将步骤S25获取键值对与步骤S24中键值对连接，再进行一次Map，更新(Pg,ffitg)；
步骤S37：Map操作，以ID为key,其他数据为value重新构造(key,value)键值对；
步骤S38：Reduce操作，获得整体粒子群最佳适应度值和对应最优解，产生(key,value)键值，其中key是ID,value是(Pu,ffitv)；
步骤S39：Join操作，将步骤S28获取键值对与步骤S27中键值对连接，再进行一次Map，更新(Pu,ffitv)；
步骤S310：判断迭代次数是否等于或大于最大迭代次数Imax，是则输出(Pu,ffitv)，否则返回步骤S23进行下一轮迭代。
进一步的，所述步骤S4中数值模型预测加速度响应值采用Newmark积分法。
进一步的，所述Newmark积分法的具体内容如下：给定初始时刻的位移、速度、加速度及整个时程的外部激励后，通过逐步迭代求得后续时刻的位移、速度和加速度，具体公式为：
vi+1＝vi+[(1-γ)ai+γai+1]Δt (5)
式中，si、vi和ai分别为第i时刻的位移、速度和加速度；si+1、vi+1和ai+1和分别为第i+1时刻的位移、速度和加速度；Δt是时间步长；γ和β是决定求解精度和稳定性的参数，当γ＝1/2、β＝1/4时，算法为无条件稳定，称为Newmark常平均加速度法；
另外，第i+1时刻的结构运动方程可表达为：
Mai+1+Cvi+1+Ksi+1＝Fi+1 (7)
式中，M、C和K分别为结构的质量矩阵、阻尼矩阵和刚度矩阵；Fi+1为第i+1时刻作用于结构的外部激励；
当给定初始时刻结构的位移、速度和加速度后，通过联合公式(5)、(6)和(7)就可以求解整个时程的预测加速度响应值。
本发明与现有技术相比具有以下有益效果：首先，本发明直接利用加速度信号，无需进行时频转换；其次，本发明使用RDD数据集对加速度信号进行并行处理；最后，本发明能快速计算出节点的刚度，并达到较高的精度。
附图说明
图1是本发明采用的结构模型。
图2是本发明改进的并行化多粒子群协同优化算法流程图。
图3是本发明不同噪声水平下的收敛曲线对比图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明提供一种Spark云计算平台下的结构物理参数辨识方法，在Spark云计算平台下，引入Apache Spark云计算平台的弹性分布式数据集RDD,对传统多粒子群协同优化算法(MPSCO)的结构物理参数辨识进行分布式并行化改进，其特征在于，包括以下步骤：
步骤S1：建立结构的数值模型；
步骤S2：利用多个加速度传感器对结构的振动信息进行采集，获取结构层间的加速度数据；
步骤S3：在结构质量已知情况下，对刚度和阻尼进行编码，利用Spark作为分布式计算执行引擎，利用弹性分布式数据集RDD，实现Spark云计算平台下改进并行化多粒子群协同优化算法的并行处理；请参照图2，包含以下具体步骤：
步骤S31：首先在质量已知的情况下，对结构物理参数包括结构刚度和阻尼进行编码，即Spark云计算平台下改进并行化多粒子群协同优化算法的输入为一个向量[k1,k2,...,kn,ζ1,ζ2,...,ζm]，其中k1,k2,...,kn为刚度值，ζ1,ζ2,...,ζm为阻尼比；其中，实现该算法的RDD数据集数据格式如下：
(ID,ColonyID,x,v,ffit,(Pi,ffiti),(Pg,ffitg),(Pu,ffitv)) (1)
式中：ID为粒子群编号；ColonyID为子群编号；x＝(x1,x2,...,xn)为粒子的当前位置向量；v＝(v1,v2,...,vn)为粒子的当前速度向量；ffit为粒子的当前适应度值，通过适应度函数计算得出；(Pi,ffiti)为个体经历的最佳位置信息向量，Pi＝(xi1,xi2,...,xin)为个体经历的最佳位置，ffiti为个体经历的最佳适应度值；同理(Pg,ffitg)和(Pu,ffitv)分别对应子群经历的最佳位置信息向量和整体粒子群经历的最佳位置信息向量；
步骤S32：初始化粒子群，在取值范围内随机生成粒子群，包括初始位置和初始速度，并按照预先计划子群数量确定粒子ColonyID；
步骤S33：按照式(2)、式(3)更新粒子位置向量和速度向量，通过式(4)计算粒子的个体适应度值并更新(Pi,ffiti)；
式中，k表示当前进化代数；vi和zi分别表示第i个粒子的速度和位置；pi表示第i个粒子经历的最佳位置；pg和pgi分别表示整个种群和第i个粒子所在子种群经历的最佳位置；r1和r2为[0,1]之间的随机数；c1和c2为学习因子；w为惯性权重；
式中，Fa(θ)为粒子的个体适应度值，θ是待辨识结构参数向量，Θ是待辨识参数的取值范围，amea(i,j)表示结构实测的第i时刻第j测点加速度响应，anum(i,j)表示数值模型预测的第i时刻第j测点加速度响应；N为测点总数，L为测量数据总长度；
步骤S34：Map操作，以ColonyID为key值，其他数据为value,构成(key,value)键值对；
步骤S35：Reduce操作，获取各个子群的最佳适应度值和对应最优解，产生(key,value)键值，其中key是ColonyID,value是(Pg,ffitg)；
步骤S36：Join操作，将步骤S25获取键值对与步骤S24中键值对连接，再进行一次Map，更新(Pg,ffitg)；
步骤S37：Map操作，以ID为key,其他数据为value重新构造(key,value)键值对；
步骤S38：Reduce操作，获得整体粒子群最佳适应度值和对应最优解，产生(key,value)键值，其中key是ID,value是(Pu,ffitv)；
步骤S39：Join操作，将步骤S28获取键值对与步骤S27中键值对连接，再进行一次Map，更新(Pu,ffitv)；
步骤S310：判断迭代次数是否等于或大于最大迭代次数Imax，是则输出(Pu,ffitv)，否则返回步骤S23进行下一轮迭代。
步骤S4：根据结构实测和数值模型预测的加速度响应计算适应度函数，求解所述改进并行化多粒子群协同优化算法。其中，数值模型预测加速度响应值采用Newmark积分法。
进一步的，所述Newmark积分法的具体内容如下：给定初始时刻的位移、速度、加速度及整个时程的外部激励后，通过逐步迭代求得后续时刻的位移、速度和加速度，具体公式为：
vi+1＝vi+[(1-γ)ai+γai+1]Δt (5)
式中，si、vi和ai分别为第i时刻的位移、速度和加速度；si+1、vi+1和ai+1和分别为第i+1时刻的位移、速度和加速度；Δt是时间步长；γ和β是决定求解精度和稳定性的参数，当γ＝1/2、β＝1/4时，算法为无条件稳定，称为Newmark常平均加速度法；
另外，第i+1时刻的结构运动方程可表达为：
Mai+1+Cvi+1+Ksi+1＝Fi+1 (7)
式中，M、C和K分别为结构的质量矩阵、阻尼矩阵和刚度矩阵；Fi+1为第i+1时刻作用于结构的外部激励；
当给定初始时刻结构的位移、速度和加速度后，通过联合公式(5)、(6)和(7)就可以求解整个时程的预测加速度响应值。
为了让一般技术人员更好的理解本发明的技术方案，以下结合具体实施例对本发明进行详细介绍。
首先在实验室搭建的基于Ubuntu操作***的Apache Spark集群平台上运行的。其中1个节点计算机作为Master节点，也作为work节点。为了验证多台计算机的并行性，每台计算机只分配一个worker节点。首先将计算任务分配到Master节点，然后再由Master节点将计算任务分配给worker节点。实验环境中节点的属性信息如表1所示。
表1所采用的集群信息表
然后考虑一个30层剪切型线性框架结构数值模型，结构模型如图1，质量m1＝m2＝…＝m29＝3.78kg，m30＝3.31kg，层间刚度值为k1＝k2＝…＝k30＝375kN/m，前两阶阻尼比ζ1和ζ2均为2％。随机激励F作用在结构的顶层，采样频率取1000Hz，采样时间取5s，对原始加速度数据分别取无噪声和35db、25db的高斯白噪声。辨识过程包括以下步骤：
(1)选取辨识数值模型的加速度和随机激励的时间段；在结构质量已知的情况下，设定待优物理参数为[k1,k2,…,k30,ζ1,ζ2]，参数搜索范围取真实值的0.5～2倍；设定IPMPSCO参数:种群数量m＝10，子种群粒子数n＝200、最大迭代次数Imax＝2000、学子因子c1＝c2＝2，此外假定惯性权重w在[0.9,0.4]之间线性变化，同时，Newmark时间步长取0.02s，每个时间段取500个采样点，除第一个时间段初始位移、速度、加速度取0外，其余时间段的初始响应根据上个时间段的识别结果确定。
(2)运行基于Apache Spark的IPMPSCO算法，将粒子随机平均分配到各个并行处理单元。各个并行处理单元分别计算粒子速度、位置和适应度值。
表2不同噪声水平下的辨别结果(质量已知)
(3)最后，输出最优辨识结果，为了尽量避免偶然现象的影响，取10次辨识结果的平均值作为最终的辨识结果，辨识结果如表2，不同噪声水平下收敛曲线对比如图3。所识别的结果与实际假定情况相符合，说明本发明方法的有效性。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (4)
1.一种Spark云计算平台下的结构物理参数辨识方法，其特征在于，包括以下步骤：
步骤S1：建立结构的数值模型；
步骤S2：利用多个加速度传感器对结构的振动信息进行采集，获取结构层间的加速度数据；
步骤S3：在结构质量已知情况下，对刚度和阻尼进行编码，利用Spark作为分布式计算执行引擎，利用弹性分布式数据集RDD，实现Spark云计算平台下改进并行化多粒子群协同优化算法的并行处理；
步骤S4：根据结构实测和数值模型预测的加速度响应计算适应度函数，求解所述改进并行化多粒子群协同优化算法。
2.根据权利要求1所述的Spark云计算平台下的结构物理参数辨识方法，其特征在于：所述步骤S3包含以下具体步骤：
步骤S31：首先在质量已知的情况下，对结构物理参数包括结构刚度和阻尼进行编码，即Spark云计算平台下改进并行化多粒子群协同优化算法的输入为一个向量[k1,k2,...,kn,ζ1,ζ2,...,ζm]，其中k1,k2,...,kn为刚度值，ζ1,ζ2,...,ζm为阻尼比；其中，实现该算法的RDD数据集数据格式如下：
(ID,ColonyID,x,v,ffit,(Pi,ffiti),(Pg,ffitg),(Pu,ffitv)) (1)
式中：ID为粒子群编号；ColonyID为子群编号；x＝(x1,x2,...,xn)为粒子的当前位置向量；v＝(v1,v2,...,vn)为粒子的当前速度向量；ffit为粒子的当前适应度值，通过适应度函数计算得出；(Pi,ffiti)为个体经历的最佳位置信息向量，Pi＝(xi1,xi2,...,xin)为个体经历的最佳位置，ffiti为个体经历的最佳适应度值；同理(Pg,ffitg)和(Pu,ffitv)分别对应子群经历的最佳位置信息向量和整体粒子群经历的最佳位置信息向量；
步骤S32：初始化粒子群，在取值范围内随机生成粒子群，包括初始位置和初始速度，并按照预先计划子群数量确定粒子ColonyID；
步骤S33：按照式(2)、式(3)更新粒子位置向量和速度向量，通过式(4)计算粒子的个体适应度值并更新(Pi,ffiti)；
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>wv</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>z</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>g</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>z</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>z</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>z</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>wv</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>z</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>g</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>z</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>z</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>z</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，k表示当前进化代数；vi和zi分别表示第i个粒子的速度和位置；pi表示第i个粒子经历的最佳位置；pg和pgi分别表示整个种群和第i个粒子所在子种群经历的最佳位置；r1和r2为[0,1]之间的随机数；c1和c2为学习因子；w为惯性权重；
<mrow>
<msub>
<mi>F</mi>
<mi>a</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</msubsup>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>n</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
<mi>&theta;</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mi>&Theta;</mi>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，Fa(θ)为粒子的个体适应度值，θ是待辨识结构参数向量，Θ是待辨识参数的取值范围，amea(i,j)表示结构实测的第i时刻第j测点加速度响应，anum(i,j)表示数值模型预测的第i时刻第j测点加速度响应；N为测点总数，L为测量数据总长度；
步骤S34：Map操作，以ColonyID为key值，其他数据为value,构成(key,value)键值对；
步骤S35：Reduce操作，获取各个子群的最佳适应度值和对应最优解，产生(key,value)键值，其中key是ColonyID,value是(Pg,ffitg)；
步骤S36：Join操作，将步骤S25获取键值对与步骤S24中键值对连接，再进行一次Map，更新(Pg,ffitg)；
步骤S37：Map操作，以ID为key,其他数据为value重新构造(key,value)键值对；
步骤S38：Reduce操作，获得整体粒子群最佳适应度值和对应最优解，产生(key,value)键值，其中key是ID,value是(Pu,ffitv)；
步骤S39：Join操作，将步骤S28获取键值对与步骤S27中键值对连接，再进行一次Map，更新(Pu,ffitv)；
步骤S310：判断迭代次数是否等于或大于最大迭代次数Imax，是则输出(Pu,ffitv)，否则返回步骤S23进行下一轮迭代。
3.根据权利要求1所述的Spark云计算平台下的结构物理参数辨识方法，其特征在于：所述步骤S4中数值模型预测加速度响应值采用Newmark积分法。
4.根据权利要求3所述的Spark云计算平台下的结构物理参数辨识方法，其特征在于：所述Newmark积分法的具体内容如下：给定初始时刻的位移、速度、加速度及整个时程的外部激励后，通过逐步迭代求得后续时刻的位移、速度和加速度，具体公式为：
vi+1＝vi+[(1-γ)ai+γai+1]Δt (5)
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>+</mo>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>-</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&beta;a</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&rsqb;</mo>
<msup>
<mi>&Delta;t</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，si、vi和ai分别为第i时刻的位移、速度和加速度；si+1、vi+1和ai+1和分别为第i+1时刻的位移、速度和加速度；Δt是时间步长；γ和β是决定求解精度和稳定性的参数，当γ＝1/2、β＝1/4时，算法为无条件稳定，称为Newmark常平均加速度法；
另外，第i+1时刻的结构运动方程可表达为：
Mai+1+Cvi+1+Ksi+1＝Fi+1 (7)
式中，M、C和K分别为结构的质量矩阵、阻尼矩阵和刚度矩阵；Fi+1为第i+1时刻作用于结构的外部激励；
当给定初始时刻结构的位移、速度和加速度后，通过联合公式(5)、(6)和(7)就可以求解整个时程的预测加速度响应值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710570133.6A CN107395704B (zh) | 2017-07-13 | 2017-07-13 | 一种Spark云计算平台下的结构物理参数辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710570133.6A CN107395704B (zh) | 2017-07-13 | 2017-07-13 | 一种Spark云计算平台下的结构物理参数辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107395704A true CN107395704A (zh) | 2017-11-24 |
| CN107395704B CN107395704B (zh) | 2020-03-10 |
Family
ID=60339666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710570133.6A Expired - Fee Related CN107395704B (zh) | 2017-07-13 | 2017-07-13 | 一种Spark云计算平台下的结构物理参数辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107395704B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182243A (zh) * | 2017-12-28 | 2018-06-19 | 大连理工大学 | 一种基于Spark的分布式进化算法岛模型并行化方法 |
| CN108256694A (zh) * | 2018-03-02 | 2018-07-06 | 我知盘中餐（厦门）电子商务有限公司 | 基于重复遗传算法的模糊时间序列预测***、方法及装置 |
| CN108614738A (zh) * | 2018-05-14 | 2018-10-02 | 北京工业大学 | 一种面向交互式Spark应用的数据动态放置方法 |
| CN109871995A (zh) * | 2019-02-02 | 2019-06-11 | 浙江工业大学 | Spark框架下分布式深度学习的量子优化调参方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104866904A (zh) * | 2015-06-16 | 2015-08-26 | 中电科软件信息服务有限公司 | 一种基于spark的遗传算法优化的BP神经网络并行化方法 |
| CN104950680A (zh) * | 2015-06-18 | 2015-09-30 | 温州大学 | 一种岸电控制器参数整定的优化方法 |
| CN106779219A (zh) * | 2016-12-19 | 2017-05-31 | 北京中电普华信息技术有限公司 | 一种用电量预测方法及*** |
| US20170286594A1 (en) * | 2016-03-29 | 2017-10-05 | Regeneron Pharmaceuticals, Inc. | Genetic Variant-Phenotype Analysis System And Methods Of Use |
-
2017
- 2017-07-13 CN CN201710570133.6A patent/CN107395704B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104866904A (zh) * | 2015-06-16 | 2015-08-26 | 中电科软件信息服务有限公司 | 一种基于spark的遗传算法优化的BP神经网络并行化方法 |
| CN104950680A (zh) * | 2015-06-18 | 2015-09-30 | 温州大学 | 一种岸电控制器参数整定的优化方法 |
| US20170286594A1 (en) * | 2016-03-29 | 2017-10-05 | Regeneron Pharmaceuticals, Inc. | Genetic Variant-Phenotype Analysis System And Methods Of Use |
| CN106779219A (zh) * | 2016-12-19 | 2017-05-31 | 北京中电普华信息技术有限公司 | 一种用电量预测方法及*** |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182243A (zh) * | 2017-12-28 | 2018-06-19 | 大连理工大学 | 一种基于Spark的分布式进化算法岛模型并行化方法 |
| CN108182243B (zh) * | 2017-12-28 | 2020-07-14 | 大连理工大学 | 一种基于Spark的分布式进化算法岛模型并行化方法 |
| CN108256694A (zh) * | 2018-03-02 | 2018-07-06 | 我知盘中餐（厦门）电子商务有限公司 | 基于重复遗传算法的模糊时间序列预测***、方法及装置 |
| CN108614738A (zh) * | 2018-05-14 | 2018-10-02 | 北京工业大学 | 一种面向交互式Spark应用的数据动态放置方法 |
| CN108614738B (zh) * | 2018-05-14 | 2022-02-15 | 北京工业大学 | 一种面向交互式Spark应用的数据动态放置方法 |
| CN109871995A (zh) * | 2019-02-02 | 2019-06-11 | 浙江工业大学 | Spark框架下分布式深度学习的量子优化调参方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107395704B (zh) | 2020-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105550323B (zh) | 一种分布式数据库负载均衡预测方法和预测分析器 | |
| CN107395704A (zh) | 一种Spark云计算平台下的结构物理参数辨识方法 | |
| CN106781489B (zh) | 一种基于递归神经网络的路网状态预测方法 | |
| CN103164742B (zh) | 一种基于粒子群优化神经网络的服务器性能预测方法 | |
| Liu et al. | Tourism flows prediction based on an improved grey GM (1, 1) model | |
| CN105260786B (zh) | 一种电力推进***仿真可信度评估模型综合优化方法 | |
| CN105843073A (zh) | 一种基于气动力不确定降阶的机翼结构气动弹性稳定性分析方法 | |
| CN104463381B (zh) | 基于kpca与wlssvm的建筑能耗预测方法 | |
| CN102072922A (zh) | 基于粒子群优化神经网络模型的木材含水率检测方法 | |
| CN105930562A (zh) | 一种非概率条件下的结构性能优化设计方法 | |
| CN104899431A (zh) | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 | |
| CN110442980A (zh) | 基于相似贝叶斯方法的确定性损伤识别方法 | |
| Chen et al. | Entropy-based dynamic heterogeneous ant colony optimization | |
| CN107609141A (zh) | 一种对大规模可再生能源数据进行快速概率建模方法 | |
| CN105554873A (zh) | 一种基于pso-ga-rbf-hop的无线传感器网络定位算法 | |
| CN103942434A (zh) | 基于sspso-grnn的水电站厂坝结构振动响应预测方法 | |
| CN105224738A (zh) | Lssvm非高斯脉动风速预测方法 | |
| CN115577436A (zh) | 一种求解不确定结构风致振动响应的组合深度学习方法 | |
| Zhang et al. | Direction-decision learning based pedestrian flow behavior investigation | |
| Li et al. | Research on the method of traffic organization and optimization based on dynamic traffic flow model | |
| Zhao et al. | Adaptive swarm intelligent offloading based on digital twin-assisted prediction in VEC | |
| CN102707623A (zh) | 一种预应力网格结构张拉全过程的反馈控制方法 | |
| CN110147284A (zh) | 基于二维长短期记忆神经网络的超级计算机工作负载预测方法 | |
| CN113887748A (zh) | 在线联邦学习任务分配方法、装置、联邦学习方法及*** | |
| CN100420209C (zh) | 自动进行方案对比的可信网络仿真*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200310 |