CN109254321A - 一种地震激励下快速贝叶斯模态参数识别方法 - Google Patents
一种地震激励下快速贝叶斯模态参数识别方法 Download PDFInfo
- Publication number
- CN109254321A CN109254321A CN201810842715.XA CN201810842715A CN109254321A CN 109254321 A CN109254321 A CN 109254321A CN 201810842715 A CN201810842715 A CN 201810842715A CN 109254321 A CN109254321 A CN 109254321A
- Authority
- CN
- China
- Prior art keywords
- indicate
- frequency
- bayes
- quick
- modal
- 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
- 230000000638 stimulation Effects 0.000 title claims abstract description 28
- 238000013016 damping Methods 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 4
- 230000001133 acceleration Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000017105 transposition Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000007796 conventional method Methods 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/307—Analysis for determining seismic attributes, e.g. amplitude, instantaneous phase or frequency, reflection strength or polarity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/63—Seismic attributes, e.g. amplitude, polarity, instant phase
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种地震激励下快速贝叶斯模态参数识别方法,包括以下步骤:S1、采集得到已知地震激励下的地震输入和结构响应数据;S2、选择一个频域段并从步骤S1中数据的奇异值谱中获得固有频率的初始值,设定阻尼比的初始值;S3、通过最小化由贝叶斯公式得到的目标函数,得到固有频率和阻尼比的最优值;S4、通过固有频率和阻尼比的最优值得到模态贡献因子。与现有技术相比,本发明使用过程方便,只需要选择频域段,然后输入初始频率和阻尼比就可以直接进行计算,不需要专业人士进行经验分析,比传统方法计算速度快,通常完成分析只要几秒钟,可以直接在测试时使用。
Description
技术领域
本发明涉及地震激励下模态参数识别技术,尤其是涉及一种地震激励下快速贝叶斯模态参数识别方法。
背景技术
在地震激励下,基于采集到的结构振动响应进行模态参数识别时的参数主要包括结构的固有频率、阻尼比及振型。这三个参数由于是结构的固有属性,通常来说是基本保持不变的,如果出现变化,就意味着可能出现结构损伤,因此这些参数对结构模型修正,损伤识别及结构健康监测起到了重要作用。地震激励下的模态识别可以帮助了解结构在较大振动幅度下的耗能能力,同时也为振动台实验数据分析提供了有效的方法。
现有的技术有以下两个问题。第一个问题是目前的识别方法步骤比较繁琐,往往需要专业人士才能进行数据分析,计算过程比较缓慢,不能在测试现场及时进行数据分析。第二个问题是由于输入的地震激励是随机荷载,输出的模态参数必然存在一定的不确定性,然而目前并没有有效方法可以实现地震激励下模态参数的准确性评估,需要搭建框架,为模态参数评估提供平台。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种地震激励下快速贝叶斯模态参数识别方法。
本发明的目的可以通过以下技术方案来实现:
一种地震激励下快速贝叶斯模态参数识别方法,包括以下步骤:
S1、采集得到已知地震激励下的地震输入和结构响应数据;
S2、选择一个频域段并从步骤S1中数据的奇异值谱中获得固有频率的初始值,设定阻尼比的初始值;
S3、通过最小化由贝叶斯公式得到的目标函数,得到固有频率和阻尼比的最优值;
S4、通过固有频率和阻尼比的最优值得到模态贡献因子。
优选的,所述由贝叶斯公式得到的目标函数为:
其中,fi表示第i阶模态的固有频率,ζi表示第i阶模态的阻尼比,表示第k个时域样本测得的加速度响应的快速傅里叶变换,k=2,3,...,Nq,Nq=int[N/2]+1,int[N/2]表示对N/2向下舍入为最接近的整数,N表示时域范围内测得样本的数目,表示的共轭转置,
其中,fk=(k-1)/NΔt,Δt表示采样点之间的时间间隔,Fg(fk)表示已知地震激励的快速傅里叶变换,表示克罗内克积,Re表示对中括号中的向量取实部,In表示一个n×n单位矩阵,n表示测量得到的结构自由度的个数,Rnm×nm表示nm×nm阶实数矩阵,表示hk的共轭转置,hk为:
hk=[h1k,h2k,...,hmk]∈R1×m
其中,hik表示在频率fk的第i阶模态的转换方程,1≤i≤m,m表示贡献的模态数量,
其中,表示Fg(fk)的共轭矩阵,Rnm表示nm×1阶实数矩阵。
优选的,所述模态贡献因子为:
γi=||Φγ(i)||
其中,||Φγ(i)||表示正则化为1的Φγ(i),Φγ(i)通过从(Φγ:)的最优值中提取得到,其中:
所述(Φγ:)的最优值通过P和Q的最优值和得到。
优选的,所述(Φγ:)的最优值为:
其中,分别为目标函数最小化时的P和Q。
优选的,所述第k个时域样本测得的加速度响应的快速傅里叶变换为:
其中,Fk(θ)表示加速度响应理论值的快速傅里叶变换,Fek是预测误差的快速傅里叶变换:
其中,Se表示预测误差的功率谱密度的幅值,Z1k和Z2k表示两个标准的高斯实向量,i2=-1。
优选的,所述在频率fk的第i阶模态的转换方程hik为:
hik=[(βik 2-1)+i(2ζiβik)]-1
其中,βik=fi/fk,i2=-1。与现有技术相比,本发明具有以下优点:
1、使用过程方便,只需要选择频域段,然后输入初始频率和阻尼比就可以直接进行计算,不需要专业人士进行经验分析,比传统方法计算速度快,通常完成分析只要几秒钟,可以直接在测试时使用。
2、可以同时分析振动台实验数据和真实结构测得的地震响应下的数据,具有较好的鲁棒性。
3、基于本方法提出的框架,为模态参数评估提供平台,可以实现现有技术做不到的模态参数的不确定性评估。
附图说明
图1为本发明方法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本申请提出了一种在贝叶斯理论框架下,基于已知地震激励和结构响应进行快速模态参数识别的方法。首先基于采集到的结构振动响应和输入的地震动,包括加速度、速度、位移等,根据结构动力学基本原理,构建贝叶斯框架下的似然函数,先验概率密度函数,构建后验概率密度函数,最后得到负对数似然函数,通过对负对数似然函数求导及迭代优化算法,可以快速的识别模态参数最优值。本方法发展的贝叶斯框架亦可以为后期模态参数评估提供平台。
实施例
如图1所示,一种地震激励下快速贝叶斯模态参数识别方法,包括以下步骤:
S1、采集得到已知地震激励下的地震输入和结构响应数据;
S2、选择一个频域段并从步骤S1中数据的奇异值谱中获得固有频率fi的初始值,设定阻尼比ζi的初始值,可设为1%,在频域段内可以选择单个模态也可以选择多个模态;
S3、通过最小化由贝叶斯公式得到的目标函数,得到固有频率和阻尼比的最优值;
S4、通过固有频率和阻尼比的最优值得到模态贡献因子。
步骤S1测量得到的结构n个自由度的加速度响应用来表示,这里N表示时域范围内测得样本的数目,为了方便,简化为第j个测得的加速度响应可以表示为:
式中是加速度响应的理论值,ej∈Rn是预测误差,表示加速度测量值和理论值的区别,由模型误差、噪音等组成。
在频域范围内,的快速傅里叶变换(FFT)可以定义为:
式中,i2=-1;Δt表示采样点之间的时间间隔;k=2,3,...,Nq,对应于频率fk=(k-1)/NΔt的FFT数据,Nq=int[N/2]+1。只有在一个选择的频段内的FFT数据会用来进行模态识别。
对方程(1)两边进行傅里叶变换,的傅里叶变换可以被表示为:
其中,Fk(θ)表示加速度响应理论值的FFT,Fek是预测误差的FFT。通常来讲,预测误差可以被模拟为高斯白噪声,因此,预测误差的功率谱密度可以被假设为在一个选择的频域段内为常数,幅值为Se,Fek可以表示为:
其中,Z1k和Z2k表示两个标准的高斯实向量,它们里面的值是独立的。
由贝叶斯公式得到目标函数的过程如下:
考虑一个在已知地震激励下的结构,其地震激励被表示为假设由于地震激励产生的结构响应占主导地位,环境激励产生的响应可以被模拟为预测误差。假设经典阻尼,一个线性结构的加速度响应可以表示为:
其中,m表示贡献的模态数量;Φi∈Rn表示对应于测试自由度的振型向量;表示第i阶模态的模态响应,其满足以下方程:
式中ωi=2πfi,fi表示第i阶模态的固有频率;ζi表示第i阶阻尼比;pi(t)表示第i阶模态力,在地震激励下,其可以表示为:
其中,表示包含结构所有自由度的振型;M为质量矩阵;1表示n×1向量,其里面所有元素都等于1。定义:
为模态贡献因子,然后可以得到:
对公式(9)进行傅里叶变换,并重新整理,模态加速度响应的FFT可以表示为:
其可以通过以下两个关系代入得到:
式中,Fg(fk)是的FFT;和分别是和ηi(t)的FFT;并且
hik=[(βik 2-1)+i(2ζiβik)]-1 (13)
是一个复数,它表示在频率fk的第i阶模态的转换方程,βik=fi/fk表示频率的比值。
将公式(10)代入(5),模态响应的FFT可以表示为:
让D表示在一个选择的频域段内的FFT数据,其包含了我们感兴趣的模态。基于贝叶斯理论,需要识别的模态参数θ的后验概率密度函数可以表示为:
式中p(θ)是先验概率密度函数;p(D|θ)表示似然函数;p(D)可以被看成一个常数。
跟p(θ)相比,由于数据D的影响,p(D|θ)变化较快。因此,假设单一先验信息,后验概率密度函数跟似然函数成正比,也就是说,
p(θ|D)∝p(D|θ) (16)
似然函数p(D|θ)可以通过下面的推导来构建。
定义为由FFT数据的实部和虚部组成的一个向量;包括选择频域段内的FFT数据。可以证明对于大的N和小的Δt,在不同频率是独立的,并且服从高斯分布。基于这个事实,似然函数p(D|θ)可以表示为:
式中Ck表示的协方差矩阵;det(·)表示行列式;μk=[ReFk(θ)+ImFk(θ)]是的理论值,这里Fk(θ)是一个复向量,可以表示为:
Fk(θ)=ReFk(θ)+iImFk(θ) (18)
ReFk(θ)和ImFk(θ)分别表示Fk(θ)的实部和虚部。
根据公式(4),的方差等于Se/2,因此似然函数可以表示为:
同时:
因此,上述方程可以写成:
其中字符上标的“*”表示对应字符的共轭转置。
为了优化方便,我们用负对数似然函数将最大值问题转化为最小值问题,如下:
p(θ|D)∝exp(-L(θ)) (22)
上式中
根据公式(23),理论上模态参数的最优值可以通过最小化负对数似然函数来实现。然而,直接进行优化将非常耗时,计算效率将随着测试的自由度的数目和选择频域段内的模态数目大幅降低。为了改进计算效率,一些参数可以通过解析解得到,把他们表示为其他模态参数的函数,剩余的模态参数可以通过优化得到。
在公式(23)中,Se跟其他模态参数是相互独立的,定义参数集合θ={fi,ζi,γi,Φ(i):i=1,...,m},这里γi∈R,Φ(i)∈Rn;θ不包括Se。定义目标函数:
因此:
其中,terms that do not depend on Se表示与Se无关的参数,因为alnx+b/x的形式在x=b/a有唯一的最小值,Se的最优值可以从下式中得到:
在公式(25)中,当J(θ)达到其最小值,L(θ)也将达到最小值。因此,由于J(θ)不依赖于Se,θ的最优值可以通过最小化J(θ)得到。
对于θ里面的振型,通常需要规范化约束,也就是说||Φi||=1。当进行优化时,也要合理的考虑这些约束。在公式(14)中,γi总是跟Φi一起出现,因此定义一个新变量:
Φγ(i)=γiΦi (27)
这是一个无约束向量。从而公式(14)可以被写成:
由于Φγ(i)是一个n×m矩阵,当m>1时,J(θ)对Φγ(i)的导数求解将非常困难。为了解决这个问题,公式(28)可以被重构为:
式中,In表示一个n×n单位矩阵,表示克罗内克积,
hk=[h1k,h2k,...,hmk]∈R1×m (30)
并且:
将公式(29)代入公式(24)中的J(θ),可以得到:
式中,
其中,Rnm×nm表示nm×nm阶实数矩阵,表示hk的共轭转置,Re表示对中括号中的向量取实部,表示地震激励的快速傅里叶变换的共轭转置,Rnm表示表示nm×1阶实数矩阵。
将J(θ)对(Φγ:)一次求导并使导数等于零,可以得到(Φγ:)的最优值:
其中,分别为P和Q的最优值,因为P和Q只依赖于{fi,ζi},因此(Φγ:)也是这样,将其代入公式(32),目标函数可以表示为:
表示的共轭转置。
{fi,ζi}的最优值可以通过最小化J({fi,ζi})得到,一旦得到之后,可以得到 (Φγ:)也可以通过公式(35)得。步骤S4中,Φγ(i)可以从(Φγ:)中提取得到,所以模态贡献因子γi=||Φγ(i)||可以通过设置Φi正则化为1得到。
对于大量的数据,通常来说优化过程是可以全局可识别的。对于不是全局可以识别的问题,一些更高级的工具,比如马尔科夫链蒙特卡洛(MCMC)可以用来解决这些问题,这不在本发明保护范围之内。
Claims (6)
1.一种地震激励下快速贝叶斯模态参数识别方法,其特征在于,包括以下步骤:
S1、采集得到已知地震激励下的地震输入和结构响应数据;
S2、选择一个频域段并从步骤S1中数据的奇异值谱中获得固有频率的初始值,设定阻尼比的初始值;
S3、通过最小化由贝叶斯公式得到的目标函数,得到固有频率和阻尼比的最优值;
S4、通过固有频率和阻尼比的最优值得到模态贡献因子。
2.根据权利要求1所述的一种地震激励下快速贝叶斯模态参数识别方法,其特征在于,所述由贝叶斯公式得到的目标函数为:
其中,fi表示第i阶模态的固有频率,ζi表示第i阶模态的阻尼比,表示第k个时域样本测得的加速度响应的快速傅里叶变换,k=2,3,...,Nq,Nq=int[N/2]+1,int[N/2]表示对N/2向下舍入为最接近的整数,N表示时域范围内测得样本的数目,表示的共轭转置,
其中,fk=(k-1)/NΔt,Δt表示采样点之间的时间间隔,Fg(fk)表示已知地震激励的快速傅里叶变换,表示克罗内克积,Re表示对中括号中的向量取实部,In表示一个n×n单位矩阵,n表示测量得到的结构自由度的个数,Rnm×nm表示nm×nm阶实数矩阵,表示hk的共轭转置,hk为:
hk=[h1k,h2k,...,hmk]∈R1×m
其中,hik表示在频率fk的第i阶模态的转换方程,1≤i≤m,m表示贡献的模态数量,
其中,表示Fg(fk)的共轭矩阵,Rnm表示nm×1阶实数矩阵。
3.根据权利要求2所述的一种地震激励下快速贝叶斯模态参数识别方法,其特征在于,所述模态贡献因子为:
γi=||Φγ(i)||
其中,||Φγ(i)||表示正则化为1的Φγ(i),Φγ(i)通过从(Φγ:)的最优值中提取得到,其中:
所述(Φγ:)的最优值通过P和Q的最优值和得到。
4.根据权利要求3所述的一种地震激励下快速贝叶斯模态参数识别方法,其特征在于,所述(Φγ:)的最优值为:
其中,分别为目标函数最小化时的P和Q。
5.根据权利要求2所述的一种地震激励下快速贝叶斯模态参数识别方法,其特征在于,所述第k个时域样本测得的加速度响应的快速傅里叶变换为:
其中,Fk(θ)表示加速度响应理论值的快速傅里叶变换,Fek是预测误差的快速傅里叶变换:
其中,Se表示预测误差的功率谱密度的幅值,Z1k和Z2k表示两个标准的高斯实向量,i2=-1。
6.根据权利要求2所述的一种地震激励下快速贝叶斯模态参数识别方法,其特征在于,所述在频率fk的第i阶模态的转换方程hik为:
hik=[(βik 2-1)+i(2ζiβik)]-1
其中,βik=fi/fk,i2=-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810842715.XA CN109254321B (zh) | 2018-07-27 | 2018-07-27 | 一种地震激励下快速贝叶斯模态参数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810842715.XA CN109254321B (zh) | 2018-07-27 | 2018-07-27 | 一种地震激励下快速贝叶斯模态参数识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109254321A true CN109254321A (zh) | 2019-01-22 |
CN109254321B CN109254321B (zh) | 2020-06-26 |
Family
ID=65049817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810842715.XA Active CN109254321B (zh) | 2018-07-27 | 2018-07-27 | 一种地震激励下快速贝叶斯模态参数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109254321B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884985A (zh) * | 2019-03-11 | 2019-06-14 | 上海理工大学 | 数控机床整机加工状态动态特性的测量方法 |
CN112345184A (zh) * | 2020-09-28 | 2021-02-09 | 同济大学 | 一种基于实时监测数据的结构地震损伤识别方法 |
CN113155384A (zh) * | 2020-08-28 | 2021-07-23 | 盐城工学院 | 用于减小结构阻尼比识别的不确定性的传感器布置方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897717A (zh) * | 2017-02-09 | 2017-06-27 | 同济大学 | 基于环境激励数据的多次测试下贝叶斯模型修正方法 |
CN107687872A (zh) * | 2017-08-14 | 2018-02-13 | 深圳市智能机器人研究院 | 基于动态模型更新的桥梁结构健康状态监测方法及*** |
CN108052958A (zh) * | 2017-11-09 | 2018-05-18 | 同济大学 | 基于已知激励且同时考虑环境激励影响的贝叶斯模态识别方法 |
-
2018
- 2018-07-27 CN CN201810842715.XA patent/CN109254321B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897717A (zh) * | 2017-02-09 | 2017-06-27 | 同济大学 | 基于环境激励数据的多次测试下贝叶斯模型修正方法 |
CN107687872A (zh) * | 2017-08-14 | 2018-02-13 | 深圳市智能机器人研究院 | 基于动态模型更新的桥梁结构健康状态监测方法及*** |
CN108052958A (zh) * | 2017-11-09 | 2018-05-18 | 同济大学 | 基于已知激励且同时考虑环境激励影响的贝叶斯模态识别方法 |
Non-Patent Citations (6)
Title |
---|
FENG‐LIANG ZHANG ET AL.: "Bayesian structural model updating using ambient vibration data collected by multiple setups", 《STRUCT CONTROL HEALTH MONIT》 * |
FENG-LIANG ZHANG ET AL.: "Fundamental two-stage formulation for Bayesian system identification, Part II: Application to ambient vibration data", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
Y. C. NI ET AL.: "Series of Full-Scale Field Vibration Tests and Bayesian Modal Identification of a Pedestrian Bridge", 《JOURNAL OF BRIDGE ENGINEERING》 * |
YAN-CHUN NI ET AL.: "Field dynamic test and Bayesian modal identification of a special structure – the Palms Together Dagoba", 《STRUCTURAL CONTROL AND HEALTH MONITORING》 * |
俞云书: "《结构模态试验分析》", 31 July 2000, 北京:宇航出版社 * |
周云等: "基于贝叶斯理论的多模型结构识别的试验研究", 《湖南大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884985A (zh) * | 2019-03-11 | 2019-06-14 | 上海理工大学 | 数控机床整机加工状态动态特性的测量方法 |
CN113155384A (zh) * | 2020-08-28 | 2021-07-23 | 盐城工学院 | 用于减小结构阻尼比识别的不确定性的传感器布置方法 |
CN112345184A (zh) * | 2020-09-28 | 2021-02-09 | 同济大学 | 一种基于实时监测数据的结构地震损伤识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109254321B (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gaumond et al. | Evaluation of the wind direction uncertainty and its impact on wake modeling at the Horns Rev offshore wind farm | |
US11580280B2 (en) | Computational framework for modeling of physical process | |
Hua et al. | Modeling of temperature–frequency correlation using combined principal component analysis and support vector regression technique | |
Shabri et al. | Streamflow forecasting using least-squares support vector machines | |
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及*** | |
CN105444923A (zh) | 基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法 | |
Rouchier | Solving inverse problems in building physics: An overview of guidelines for a careful and optimal use of data | |
Zhang et al. | RUL prediction and uncertainty management for multisensor system using an integrated data-level fusion and UPF approach | |
CN106897717A (zh) | 基于环境激励数据的多次测试下贝叶斯模型修正方法 | |
CN109254321A (zh) | 一种地震激励下快速贝叶斯模态参数识别方法 | |
CN106796577A (zh) | 使用回归模型的能量基础设施传感器数据校正 | |
Achatz et al. | A two-layer model with empirical linear corrections and reduced order for studies of internal climate variability | |
D'Amico et al. | Wind speed modeled as an indexed semi‐Markov process | |
Pumir et al. | Smoothed analysis of the low-rank approach for smooth semidefinite programs | |
Shan et al. | Modeling of temperature effect on modal frequency of concrete beam based on field monitoring data | |
Yao et al. | Damage and noise sensitivity evaluation of autoregressive features extracted from structure vibration | |
CN114498619A (zh) | 一种风电功率预测方法及装置 | |
Yang et al. | Estimation of physical parameters under location uncertainty using an ensemble2–expectation–maximization algorithm | |
CN105894138A (zh) | 一种制造业发货量的最优加权组合预测方法 | |
Carratu et al. | Smart water meter based on deep neural network and undersampling for pwnc detection | |
Balcombe et al. | An analysis of the impact of research and development on productivity using Bayesian model averaging with a reversible jump algorithm | |
CN116522121A (zh) | 一种不平衡小样本条件下的变压器在线故障诊断方法 | |
Zhang et al. | Deep multi-fidelity bayesian data fusion for probabilistic distribution system voltage estimation with high penetration of pvs | |
Bishop et al. | Optimization of the fixed global observing network in a simple model | |
Arras | On the use of Frequency Response Functions in the finite element model updating |
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 |