CN110631792A - 基于卷积神经网络的抗震混合试验模型更新方法 - Google Patents
基于卷积神经网络的抗震混合试验模型更新方法 Download PDFInfo
- Publication number
- CN110631792A CN110631792A CN201910965456.4A CN201910965456A CN110631792A CN 110631792 A CN110631792 A CN 110631792A CN 201910965456 A CN201910965456 A CN 201910965456A CN 110631792 A CN110631792 A CN 110631792A
- Authority
- CN
- China
- Prior art keywords
- test
- substructure
- neural network
- layer
- convolutional neural
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于卷积神经网络的抗震混合试验模型更新方法,利用试验子结构的***输入变量和恢复力观测值作为样本集在线训练卷积神经网络,进而得到更符合实际情况的数值子结构恢复力预测模型,代替数值子结构中与试验子结构相同或相似部分的恢复力模型。从而避免了模型的选择误差,显著提高了恢复力的预测精度,使得混合试验的结果更加符合真实情况。该方法去掉了卷积神经网络中的池化层,提高计算效率,同时保持了良好的数据特征提取能力和抵抗噪声的能力。提高了混合试验中数值子结构恢复力的预测精度,显著提升了基于智能算法的抗震混合试验模型更新方法的泛化能力和抵抗噪声的能力,使混合试验中数值子结构的建模分析结果更为精确。
Description
技术领域
本发明涉及土木工程领域的结构抗震性能评估试验方法,特别是涉及一种基于卷积神经网络的抗震混合试验模型更新方法。
背景技术
一般土木工程领域常用的结构抗震试验方法主要有三种:拟静力试验、振动台试验和拟动力试验。拟静力试验是按照一定的荷载控制或位移控制对试件进行低周反复循环加载,使试件从弹性受力一直到破坏,由此获得结构或结构构件的非线性本构模型。拟静力试验由于技术简单、稳定而应用最广,但是其缺点在于不能考虑地震波对结构的影响。地震模拟振动台试验能够真实地再现地震作用,但是因为地震模拟振动台尺寸和承载力有限,往往只能采用缩尺模型试验。对高大结构的模型试验,由于比例尺过小,无法反映出真实结构在地震作用下的全部特性。拟动力试验是一种联机试验,通过计算机控制加载模拟再现地震过程,根据数值积分算法计算得到的动力响应加载恢复力、位移。优点是拟动力试验方法中结构的恢复力特性不再来源于数学模型,而是直接从试验结构上测取,避免了假定恢复力模型带来的数值误差,并且可应用于大尺寸的模型试验,同时试验过程中可以观察结构的逐步破坏过程。
子结构混合试验是在传统拟动力试验方法基础上发展起来的。对于一些大型和复杂结构,子结构技术将结构划分为试验子结构和数值子结构,将易破坏或具有复杂非线性恢复力特性的部分作为试验子结构进行物理加载,其余部分作为数值子结构在计算机中进行数值模拟,两部分统一在结构的运动方程中。子结构技术的优点是有利于开展大型工程结构实验,降低了试验设备成本和经费规模。
对大型复杂结构进行混合试验时。当整体结构进入非线性时,不可能对所有关键部分都进行物理加载试验,这时就必须将某些关键构件或部位在数值子结构中进行建模分析。但当前子结构混合试验还存在较大的模型误差:一方面,是源于数值子结构的模型过于简化,不能描述真实结构的非线性特性;另一方面,是源于数值子结构模型参数的不确定性,如用假定的数值模型参数来描述大型复杂结构中无法进行试验又可能进入非线性的构件,当这种数值模型所占比例较大时,会降低整体混合实验的精度,使得试验结果不能真实反映结构的抗震性能和地震反应。为了解决子结构混合试验中数值子结构模型误差大的问题,众多学者开始研究抗震混合试验中数值子结构的模型更新方法,模型更新分为更新选定初始恢复力模型参数和不选定初始恢复力模型,直接预测模型两种。可以利用智能算法,不预先假定结构的恢复力模型,只需将试验子结构的位移、恢复力等样本数据输入智能算法的网络中进行训练,就可得到更符合实际情况的恢复力模型。进而可以用来在线预测数值子结构恢复力,并可以根据实际情况实时更新训练得到的恢复力模型,然后进行下一步的混合试验加载过程。
发明内容
发明目的:本发明的目的是提供一种基于卷积神经网络的抗震混合试验模型更新方法,能够提高抗震混合试验中数值子结构恢复力模型精度,提高模型对恢复力的预测能力和抗干扰能力。
技术方案:为达到此目的,本发明采用以下技术方案:
本发明所述的基于卷积神经网络的抗震混合试验模型更新方法,包括以下步骤:
a、将整体结构分为试验子结构及数值子结构,根据结构的自由度数目和结构参数,建立整体结构的运动微分方程,求解出混合试验第i步试验子结构的目标位移dE,i,将得到的目标位移dE,i传递给物理加载***,由作动器推动试验子结构达到目标位移dE,i,通过作动器内的传感器得到试验子结构恢复力RE,i;
b、利用试验子结构第i步之前j步和包括第i在内的共j+1步试验子结构的总***输入变量{dE,i-j,…,dE,i}和试验子结构的恢复力观测值{RE,i-j,…,RE,i}作为第i步卷积神经网络的训练样本集{(dE,i-j,RE,i-j),…,(dE,i,RE,i)};其中dE,i表示第i步试验子结构的***输入变量,RE,i表示第i步试验子结构恢复力观测值;
c、训练样本{(dE,i-j,RE,i-j),…,(dE,i,RE,i)}首先通过输入层进行处理之后,进入卷积层,由卷积核卷积处理得到数据的特征,随后进入激活层,激活层包含激励函数帮助训练样本表达复杂特征,最终经过处理的特征进入全连接层,经过对卷积神经网络的训练得到预测模型
d、利用步骤c得到的预测模型将混合试验第i步数值子结构的***输入变量zi输入预测模型得到第i步数值子结构的恢复力RN,i,并将RN,i反馈给数值积分算法;这样就完成了第i步的混合试验,然后循环步骤a-d直到地震动输入完毕。
进一步地,对试验子结构进行加载的加载设备,其作动信号来自于结构每一步运动微分方程的积分求解,且试验子结构的加载方式为位移控制的加载方式。
进一步地,步骤b中,卷积神经网络包括输入层,卷积层,激活层和全连接层,去掉池化层。
进一步地,所述步骤c中,输入层对训练样本的处理是归一化,即将数据都变为0到1的范围;经过输入层处理的训练样本随后经过卷积层中卷积核的处理,卷积核按一定步长有规律地扫过输入样本,并将感受野中的数据点进行逐点乘法,再将所得结果进行相加求和,最终得到训练数据的样本特征,并且根据包括输入训练样本的个数、维度在内的实际需要对卷积核的参数进行调节,得到的样本特征随后进入激活层,激活层把卷积层输出结果做非线性映射;最终处理过的训练样本进入全连接层进行神经网络的训练;全连接层所有的神经元都有权重连接,全连接层位于改进卷积神经网络尾部。
进一步地,所述步骤c中,激活层中的激活函数选取为两个:
进一步地,神经网络对于输入训练样本的大小没有要求,能够采用多种训练样本尺寸,能够根据需要调整卷积核中的权值,适应于不同的数据类型。
有益效果:与现有技术相比,本发明具有以下显著优点:
(1)卷积神经网络可以很好满足混合试验模型更新的需要,采用经过训练的卷积神经网络模型预测得到数值子结构当前步的恢复力,更符合具体情况,且对训练样本的噪声有更强的抗干扰能力;该方法提高了子结构混合试验模型更新中数值子结构恢复力的预测精度,显著提高了混合试验的精度;
(2)神经网络能很好的适应输入训练样本维数的变化,可以采用多种训练样本尺寸,不会由于输入样本大小和维数的变化而导致神经网络中神经元数量的突变,运算量突增;并且可以根据需要调整卷积核中的权值,满足不同数据类型的需要;
(3)本发明所涉及的卷积神经网络,由于不需要对卷积层提取到的特征进行压缩,故去掉池化层,提高课计算效率和速度,更适用于非线性拟合的情况。
附图说明
图1为本发明具体实施方式中采用该方法的模型更新混合试验流程图;
图2为本发明具体实施方式中数值子结构模型更新方法的算法流程图;
图3为本发明具体实施方式中卷积神经网络示意图;
图4为本发明具体实施方式中卷积神经网络的结构示意图;
图5为本发明具体实施方式中卷积核处理训练样本的示意图;
图6为采用本发明的振动台混合试验示意图。
具体实施方式
下面结合具体实施方式和附图对本发明的技术方案作进一步的介绍。图1为本发明具体实施方式中采用该方法的模型更新混合试验流程图,本具体实施方式公开了一种基于卷积神经网络的抗震混合试验模型更新方法,如图2所示,包括以下步骤:
a:根据结构的自由度数目和结构参数,建立整体结构的运动微分方程。采用数值积分算法求解出混合试验第i步试验子结构的目标位移dE,i和数值子结构的目标位移dN,i。将得到的目标位移dE,i转成电信号,传递给控制器转换成液压伺服作动器的作动位移,实现对试验子结构的物理加载。由作动器推动试验子结构达到目标位移dE,i,通过作动器内的传感器得到试验子结构恢复力RE,i。
b:利用试验子结构第i步之前j步和包括第i在内的共j+1步试验子结构的总***输入变量{dE,i-j,…,dE,i}和试验子结构的恢复力观测值{RE,i-j,…,RE,i}作为第i步卷积神经网络的训练样本集{(dE,i-j,RE,i-j),…,(dE,i,RE,i)},其中dE,i表示第i步试验子结构的***输入变量。RE,i表示第i步试验子结构恢复力观测值。
c:训练样本{(dE,i-j,RE,i-j),…,(dE,i,RE,i)}首先通过输入层进行处理之后,进入卷积层,由卷积核卷积处理得到数据的特征。随后进入激活层,激活层包含激励函数以协助表达复杂特征。最终经过处理的特征进入全连接层,经过训练得到预测模型
d:利用步骤c得到的预测模型将混合试验第i步数值子结构的***输入变量zi输入预测模型得到第i步数值子结构的恢复力RN,i,并将RN,i反馈给数值积分算法。这样就完成了第i步的混合试验,然后循环步骤a-d直到地震动输入完毕。
其中步骤a中,对试验子结构进行加载的加载设备,其作动信号来自于结构每一步运动微分方程的积分求解,且试验子结构的加载方式为位移控制的加载方式。步骤b中,卷积神经网络在标准卷积神经网络的基础上,由于不需要对卷积层提取到的特征进行压缩,故去掉池化层,提高计算效率,更适用于非线性拟合的情况。
步骤c中所涉及到的卷积神经网络示意图如图3所示,具体卷积神经网络结构示意图如图4所示,主要由输入层,卷积层,激活层和全连接层组成。实验所得数据形成训练样本输入卷积神经网络,形成矩阵。训练样本进入卷积层。卷积核会按照一定规律扫过训练样本,形成感受野。然后会对感受野中的数据点进行卷积处理,如图5所示,a′,b′,c′,d′,e′,f′,g′,h′,i′为卷积核中的权值,α,β,a′,β′为经过卷积核处理,所输出的训练样本。
α=1×a+2×b+3×c+4×δ+5×e+6×f+7×g+8×h+9×i
β=4×a+5×b+6×c+7×d+8×e+9×f+10×g+11×h+12×i
卷积核的大小可视实际情况进行确定。当完成当前步的卷积过程后,卷积和会以人为限定的步长向前滑动,并进行下一次卷积过程。得到一层层揭露数据特征的训练样本,这些数据特征经过整合,如图5所示。RE,i-1·ΔdE,i为第i步结构的耗能,Ei-1表示第i-1步结构的累计耗能,Ei-1=Ei-2+|dE,i-1·RE,i-1|。随后进入激活层。考虑到要引入非线性函数的拟合能力,激活层中所选取的激活函数为以下两个:
在计算过程中,优先选择RELU函数,若效果不理想就选择tanh函数。
激活层通过激活函数的映射,可以帮助样本更好的显示非线性特征。随后,训练数据最终到达全连接层,全连接层每层之间所有的神经元都有权重连接,位于卷积神经网络尾部。对卷积神经网络进行训练,最终得到更符合实际情况的恢复力模型
下面结合具体实例对本方法进行详细说明,如图6所示,是采用本发明所公开的基于卷积神经网络模型更新方法的振动台混合试验。振动台混合试验中,对于数值子结构的建模分析由于模型误差会存在较大误差。可以利用试验子结构的试验数据,更新数值子结构中相似结构或者构件的计算模型。但是由于振动台混合试验过程中所产生的数据含有较多的噪声,要同时满足模型预测和抵抗噪声的需要,可以采用本发明提出的基于卷积神经网络的混合试验模型更新方法。图6中Mi,Ki,Ci(i=1,2,3)为结构参数,分别为质量,刚度和阻尼。MN,CN分别为数值子结构的质量和阻尼矩阵。ak为加速度,vk为速度。为通过既有恢复力模型得出的恢复力,为通过基于卷积神经网络的模型更新模块预测得到的恢复力。RE,k为试验子结构恢复力,为数值积分计算得到的输入给控制器的试验子结构位移命令,Fk为外部激励,此处为地震动作用,一般为其中m为结构质量矩阵,为地震动加速度,k,(k=1,2,…)为混合试验中每一步数值积分的步数。
具体实施步骤如下:
1.提取整体结构中建模分析较困难,分析结果不准确的部分作为试验子结构。将其余部分作为数值子结构。对数值子结构进行建模分析,对试验子结构进行真实物理加载试验;
2.建立整体结构的运动微分方程,试验开始时,结构的速度、位移和加速度都为零,振动台的位移及加速度也等于0;
3.假定k=1时,试验子结构的恢复力RE,1=0,计算数值子结构在地震动惯性力和RE,1的共同作用下的位移、速度和加速度并将信号作为驱动命令传递给作动器和振动台,测量第一步结束时的试验子结构的恢复力并将其传递给计算机,反馈给数值积分算法;
6.训练样本首先由输入层进行处理之后,进入卷积层,由卷积核卷积处理得到数据的特征。随后进入激活层,激活层包含激励函数以表达复杂特征,最终经过处理的特征进入全连接层,对卷积神经网络进行训练,最终得到预测模型
Claims (7)
1.一种基于卷积神经网络的抗震混合试验模型更新方法,其特征在于:包括以下步骤:
a、将整体结构分为试验子结构及数值子结构,根据结构的自由度数目和结构参数,建立整体结构的运动微分方程,求解出混合试验第i步试验子结构的目标位移dE,i,将得到的目标位移dE,i传递给物理加载***,由作动器推动试验子结构达到目标位移dE,i,通过作动器内的传感器得到试验子结构恢复力RE,i;
b、利用试验子结构第i步之前j步和包括第i在内的共j+1步试验子结构的总***输入变量{dE,i-j,…,dE,i)和试验子结构的恢复力观测值{RE,i-j,…,RE,i}作为第i步卷积神经网络的训练样本集{(dE,i-j,RE,i-j),…,(dE,i,RE,i)};其中dE,i表示第i步试验子结构的***输入变量,RE,i表示第i步试验子结构恢复力观测值;
c、训练样本{(dE,i-j,RE,i-j),…,(dE,i,RE,i)}首先通过输入层进行处理之后,进入卷积层,由卷积核卷积处理得到数据的特征,随后进入激活层,激活层包含激励函数帮助训练样本表达复杂特征,最终经过处理的特征进入全连接层,经过对卷积神经网络的训练得到预测模型
2.根据权利要求1所述的基于卷积神经网络的抗震混合试验模型更新方法,其特征在于:对试验子结构进行加载的加载设备,其作动信号来自于结构每一步运动微分方程的积分求解,且试验子结构的加载方式为位移控制的加载方式。
3.根据权利要求1所述的基于卷积神经网络的抗震混合试验模型更新方法,其特征在于:步骤b中,卷积神经网络包括输入层,卷积层,激活层和全连接层,去掉池化层。
4.根据权利要求1所述的基于卷积神经网络的抗震混合试验模型更新方法,其特征在于:所述步骤c中,输入层对训练样本的处理是归一化,即将数据都变为0到1的范围;经过输入层处理的训练样本随后经过卷积层中卷积核的处理,卷积核按一定步长有规律地扫过输入样本,并将感受野中的数据点进行逐点乘法,再将所得结果进行相加求和,最终得到训练数据的样本特征,并且根据包括输入训练样本的个数、维度在内的实际需要对卷积核的参数进行调节,得到的样本特征随后进入激活层,激活层把卷积层输出结果做非线性映射;最终处理过的训练样本进入全连接层进行神经网络的训练;全连接层所有的神经元都有权重连接,全连接层位于改进卷积神经网络尾部。
7.根据权利要求1所述的基于卷积神经网络的抗震混合试验模型更新方法,其特征在于:神经网络对于输入训练样本的大小没有要求,能够采用多种训练样本尺寸,能够根据需要调整卷积核中的权值,适应于不同的数据类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910965456.4A CN110631792B (zh) | 2019-10-11 | 2019-10-11 | 基于卷积神经网络的抗震混合试验模型更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910965456.4A CN110631792B (zh) | 2019-10-11 | 2019-10-11 | 基于卷积神经网络的抗震混合试验模型更新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110631792A true CN110631792A (zh) | 2019-12-31 |
CN110631792B CN110631792B (zh) | 2021-01-05 |
Family
ID=68975978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910965456.4A Active CN110631792B (zh) | 2019-10-11 | 2019-10-11 | 基于卷积神经网络的抗震混合试验模型更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110631792B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111257934A (zh) * | 2020-01-17 | 2020-06-09 | 哈尔滨工业大学 | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 |
CN112362276A (zh) * | 2020-10-27 | 2021-02-12 | 南京林业大学 | 一种子结构混合试验方法 |
CN112380631A (zh) * | 2020-12-02 | 2021-02-19 | 黑龙江科技大学 | 一种基于神经网络的新型迭代混合试验方法 |
CN112861383A (zh) * | 2021-03-17 | 2021-05-28 | 哈尔滨工业大学 | 铁路车站抗震韧性评估方法及*** |
CN115796038A (zh) * | 2022-12-02 | 2023-03-14 | 哈尔滨工业大学 | 基于循环神经网络的实时混合试验方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006201089A (ja) * | 2005-01-21 | 2006-08-03 | Toyota Motor Corp | モデル特性生成方法 |
KR20150035633A (ko) * | 2013-09-27 | 2015-04-07 | 한국전력공사 | 지진측정장치 및 지진측정방법 |
CN108460152A (zh) * | 2018-03-26 | 2018-08-28 | 王智华 | 一种数据的多维映射方法、装置及计算机可读存储介质 |
CN108520277A (zh) * | 2018-04-09 | 2018-09-11 | 哈尔滨工业大学 | 基于计算机视觉的钢筋混凝土结构地震损伤自动识别与智能定位方法 |
CN109031415A (zh) * | 2018-06-20 | 2018-12-18 | 清华大学 | 一种基于深度卷积神经网络的可控震源数据振铃压制方法 |
CN109885916A (zh) * | 2019-02-02 | 2019-06-14 | 东南大学 | 一种基于lssvm的混合试验在线模型更新方法 |
CN110032975A (zh) * | 2019-04-15 | 2019-07-19 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
CN111580151A (zh) * | 2020-05-13 | 2020-08-25 | 浙江大学 | 一种基于SSNet模型的地震事件到时识别方法 |
-
2019
- 2019-10-11 CN CN201910965456.4A patent/CN110631792B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006201089A (ja) * | 2005-01-21 | 2006-08-03 | Toyota Motor Corp | モデル特性生成方法 |
KR20150035633A (ko) * | 2013-09-27 | 2015-04-07 | 한국전력공사 | 지진측정장치 및 지진측정방법 |
CN108460152A (zh) * | 2018-03-26 | 2018-08-28 | 王智华 | 一种数据的多维映射方法、装置及计算机可读存储介质 |
CN108520277A (zh) * | 2018-04-09 | 2018-09-11 | 哈尔滨工业大学 | 基于计算机视觉的钢筋混凝土结构地震损伤自动识别与智能定位方法 |
CN109031415A (zh) * | 2018-06-20 | 2018-12-18 | 清华大学 | 一种基于深度卷积神经网络的可控震源数据振铃压制方法 |
CN109885916A (zh) * | 2019-02-02 | 2019-06-14 | 东南大学 | 一种基于lssvm的混合试验在线模型更新方法 |
CN110032975A (zh) * | 2019-04-15 | 2019-07-19 | 禁核试北京国家数据中心 | 一种地震震相的拾取方法 |
CN111580151A (zh) * | 2020-05-13 | 2020-08-25 | 浙江大学 | 一种基于SSNet模型的地震事件到时识别方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111257934A (zh) * | 2020-01-17 | 2020-06-09 | 哈尔滨工业大学 | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 |
CN111257934B (zh) * | 2020-01-17 | 2022-03-11 | 哈尔滨工业大学 | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 |
CN112362276A (zh) * | 2020-10-27 | 2021-02-12 | 南京林业大学 | 一种子结构混合试验方法 |
CN112362276B (zh) * | 2020-10-27 | 2022-04-15 | 南京林业大学 | 一种子结构混合试验方法 |
CN112380631A (zh) * | 2020-12-02 | 2021-02-19 | 黑龙江科技大学 | 一种基于神经网络的新型迭代混合试验方法 |
CN112380631B (zh) * | 2020-12-02 | 2023-02-14 | 黑龙江科技大学 | 一种基于神经网络的新型迭代混合试验方法 |
CN112861383A (zh) * | 2021-03-17 | 2021-05-28 | 哈尔滨工业大学 | 铁路车站抗震韧性评估方法及*** |
CN112861383B (zh) * | 2021-03-17 | 2022-09-16 | 哈尔滨工业大学 | 铁路车站抗震韧性评估方法及*** |
CN115796038A (zh) * | 2022-12-02 | 2023-03-14 | 哈尔滨工业大学 | 基于循环神经网络的实时混合试验方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110631792B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110631792B (zh) | 基于卷积神经网络的抗震混合试验模型更新方法 | |
US8095344B2 (en) | Methods and systems for modeling material behavior | |
CN109885916B (zh) | 一种基于lssvm的混合试验在线模型更新方法 | |
CN110795884B (zh) | 一种基于多尺度模型更新的新型混合试验方法 | |
CN115577436B (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 | |
CN111368466B (zh) | 一种基于频响函数参数修正的机械振动预测方法 | |
CN109902404A (zh) | 不同阻尼形式的结构时程响应积分的统一递推计算方法 | |
CN110000787A (zh) | 一种超冗余机械臂的控制方法 | |
JP3882014B2 (ja) | 構造物の振動試験装置およびその振動試験方法 | |
CN112926152B (zh) | 一种数字孪生驱动的薄壁件装夹力精准控制与优化方法 | |
CN111027261B (zh) | 一种用于研究结构风激励响应的混合模拟试验方法 | |
Yang et al. | Hybrid simulation of a zipper‐braced steel frame under earthquake excitation | |
CN106017953A (zh) | 一种用于大型复杂结构试验研究的试验方法及*** | |
Schumacher et al. | Simulation-ready characterization of soft robotic materials | |
CN117594164A (zh) | 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、*** | |
Duan et al. | A technique for inversely identifying joint stiffnesses of robot arms via two-way TubeNets | |
CN112362276B (zh) | 一种子结构混合试验方法 | |
CN110765560B (zh) | 一种基于时变阻尼机械机构振动预测方法 | |
CN106844991B (zh) | 气浮式振动控制***空气弹簧刚度自平衡迭代识别方法 | |
CN115796038B (zh) | 基于循环神经网络的实时混合试验方法 | |
CN104008234B (zh) | 密集模态含阻尼结构模型修正方法 | |
CN115794644A (zh) | 一种基于单试件重启动多任务加载的实时混合试验方法 | |
Mueller | Real-time hybrid simulation with online model updating | |
CN112487689A (zh) | 基于统计ckf模型更新混合试验方法 | |
Hosseini et al. | A framework for multi‐element hybrid simulation of steel braced frames using 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 |