基于改进PSO算法的岩石蠕变模型参数辨识

微粒群优化（PSO）算法是一类随机全局优化技术,具有收敛速度快、规则简单、易于实现的优点．针对岩石蠕变本构模型参数的辨识问题,本文利用FLAC软件自带的fish语言实现了改进PSO算法对本构模型参数的辨识．该方法从岩石本构模型参数的随机值出发,以蠕变过程中试件变形的实验值与计算值的误差大小作为适应度函数来评价参数的品质,利用改进PSO算法规则实现模型参数的进化,搜索出全局最优的模型参数值,从而实现了岩石蠕变本构模型参数的自适应辨识．利用该方法对页岩蠕变实验进行了仿真研究,实验结果表明：改进的PSO算法用于岩石蠕变模型的参数辨识是有效的．     

沥青混合料蠕变损伤模型与损伤演化

为定量描述沥青混合料的蠕变特性,考虑沥青混合料在整个蠕变过程中同时存在蠕变硬化机制和蠕变损伤劣化机制,基于分数阶微积分理论,发展了一种相对简单的分数阶蠕变损伤模型,用分数阶Maxwell模型来描述蠕变硬化机制,用损伤应变来表示蠕变损伤劣化机制,并从统计学角度推导出沥青混合料的损伤演化方程;对AC-13沥青混合料进行了不同应力水平(0.179、0.358、0.448、0.537和0.716 MPa)下的单轴压缩蠕变试验,通过Levenberg-Marquardt优化算法进行了非线性拟合,确定了不同应力水平下分数阶蠕变损伤模型的参数与损伤演化曲线;为构建不同应力水平下统一的损伤演化模型,提出了一种统计量化沥青混合料损伤演化的方法,建立了蠕变损伤与损伤应变之间的演化关系。研究结果表明：在不同应力水平下,提出的分数阶蠕变损伤模型与试验结果的判定系数均不小于0.995,适用于描述包括衰减蠕变阶段、稳定蠕变阶段和加速蠕变阶段的整个蠕变过程;在衰减蠕变阶段,不同应力水平下沥青混合料的损伤都小于1.0×10^-3,相对于蠕变破坏时的损伤0.8可以忽略不计,而进入稳定蠕变阶段以后,损伤逐渐增大;当沥青混合料的蠕变应力超过一定值时会发生蠕变破坏,其流值时间取决于所施加的应力水平;用二参数Weibull分布函数拟合所得的蠕变损伤与损伤应变之间演化关系的判定系数为0.992,说明可以建立不同应力水平下的统一损伤演化模型,且其参数只与材料性能和温度有关,与施加应力大小无关。     

沥青混合料蠕变模型的改进及其参数确定

现有力学模型不能全面描述沥青混合料的蠕变,因此根据沥青混合料三阶段的蠕变特性,对Burgers模型中表征粘性流动的外部粘壶进行改进,认为其粘滞系数先增大后减小.推导了改进模型的本构方程,得到了蠕变应变、蠕变速率和蠕变加速度的解析表达式;运用最小二乘原理,建立了模型参数的确定方法;通过两个实例验证了改进模型的正确性.研究表明改进模型拟合曲线与实测应变吻合较好,相关性系数高,而且计算得到的流变时间与实测流变时间误差较小,说明该力学模型能够反映下沥青混合料第三阶段的蠕变,而流变时间Ft可作为研究沥青混合料蠕变性能的一个重要指标.     

基于云模型的改进粒子群PMSM参数辨识算法

针对永磁同步电机传统参数辨识方法存在的缺陷,提出了一种基于云模型的改进粒子群参数辨识算法.该算法首先采用高频电压注入法建立高频电压方程,通过滤波处理获取高低频信号构建四阶满秩实时电机辨识模型;将云模型理论与粒子群算法相结合,采用正态云发生器对粒子进化变异操作建模,实现了自适应动态调节粒子的搜索范围,有效克服早熟收敛,保证了辨识参数为全局最优解.实验表明该辨识方法寻优能力强,搜索精度高,稳定性好,具有良好的动态性能.     

广义Gauss模型及其模拟退火算法

研究了求解优化问题全局解的随机神经网络方法，将Gauss模型拓展为广义Gauss模型，使之能求解一般优化问题的全局解。进而引入全局性较好的模拟退火算法的思想，提出了广义Gauss模型的模拟退火算法。通过算例比较了几种计算智能算法的全局性。广义Gauss模型的模拟退火运行全局性最好，但它付出了时间的代价；广义Gauss模型兼顾了计算效率和全局性；广义Hopfield网络的全局性最不理想。     

圆轴扭转的蠕变损伤

采用非耦合模型，对圆轴扭转的蠕变损伤过程进行研究，推求了其损伤的潜破损时间和破损时间。     

基于改进粒子群算法的PMSM多参数辨识

针对标准粒子群优化算法对永磁同步电机多参数辨识精度低与收敛慢的问题,设计了一种自适应自治群组粒子群优化算法进行辨识,并在Matlab/Simulink中搭建参数辨识模型.仿真结果表明:改进后的算法对永磁同步电机多参数辨识的整体精度更高,收敛速度更快.     

基于塑性强化和粘性弱化的岩石蠕变模型

为更好地描述岩石蠕变行为,特别是第2和第3期蠕变过程,基于岩石蠕变机理,在粘塑性元件中引入塑性强化函数和粘性弱化函数,建立了岩石的非线性蠕变模型．对圆柱形砂岩试样进行的单轴压缩蠕变试验表明,所建立的模型对试验数据的拟合程度较高（相关系数达0．98）,能较好地描述岩石蠕变的全过程．     

局部蠕变损伤的细观定义与量测

研究了CH169高温合金蠕度损伤的非均匀性。通过蠕变损伤的金相微观分析,定义 了空洞损伤变量和显微硬度损伤变量,给出了两种变量间的关系式,按提出的细观蠕 度损伤定义建立了单轴局部蝠变损伤模型,分析表明,新模型有较好的预测能力。      

基于单纯形—有限元耦合算法的隧道围岩蠕变参数反演

采用大型有限元(FEM)程序ABAQUS编程建立隧道岩体计算模型,以Matlab语言为平台,编制单纯形算法与有限元结合的优化反分析程序Nelder-Mead—FEM,实现Matlab对ABAQUS模型的动态循环调用及逐步寻优。结合软岩隧道大变形监测,考虑高地应力下围岩流变特征,方便快捷、稳定高效地实现反分析程序对岩体蠕变参数的反演辨识,反演变形中后期预测数据与实测变形拟合较好。     

基于Kelvin链率型模型的混凝土徐变有限元计算

基于混凝土徐变固结理论,推导出一种计算混凝土徐变的递推格式,递推过程可以结合使用有限元商用软件来完成.首先,基于Kelvin链模型,将徐变Volterra积分方程转化为率型徐变积分微分方程;其次,将时间进行离散,通过引入中间变量,把率型徐变积分微分方程转化为可递推计算徐变方程;再次,使用可递推计算徐变方程,结合应力应变...     

数字孪生演进模型及其在智能制造中的应用

数字孪生作为实现智能制造信息物理融合的关键使能技术受到广泛关注,而如何构建数字孪生模型成为当前研究的热点. 目前,数字孪生模型多聚焦于概念抽象或具体工程应用,而较少从构建方法和过程的角度考虑如何分阶段、有步骤地构建和应用数字孪生模型. 因此,本文提出数字孪生演进模型的概念,将数字孪生构建与应用过程分为数字模型、数字投影以及数字孪生3个演进阶段,给出各演进阶段的应用方法、关键技术与工具平台,并探讨数字孪生演进模型在智能装备、智能生产、智能运维方面的典型应用. 研究结果表明:所提模型为数字孪生在智能制造中的分步实施提供了可行的技术路线与有益的应用参考.      

山地城市交通系统震害预测模型及其应用

为了对山地城市交通系统震害进行合理预测,在改进现有震害预测模型的基础上,建立了山地城市交通系统震害预测模型．改进主要依据山地城市道路、地形、建筑物的特点,将路段视为路段单元、桥梁单元、边坡单元和隧道单元串联而成,并考虑了这4种单元之间的失效相关性,修正了路段单元中建筑物倒塌瓦砾量预测模型．用该模型对重庆市主城区交通系统进行了震害预测,给出了不同地震烈度下重庆市主城区路网的连通可靠性评价．     

广义二项式系数及反演

利用广义二项式系数的卷积公式和矩阵乘法，研究了由广义二项式系数组成的n 1阶下三角方阵Pa[x]．由Pa[x]的性质及其逆矩阵，导出了关于广义二项式系数的反演关系，并且得到了几个组合恒等式．     

广义满意度原理及其特性分析

采用系统分析法，定义并分析了广义满意度、满意序、满意标准、满意解等基本概念．通过对广义满意度原理公理化系统的构造，分析了广义满意度原理应用过程中满意解的获取、识别、转化等重要性质，并得出了满意度和满意水平的运算关系。     

基于模态应变能变异指标的斜拉桥模型损伤识别研究

基于动力测试采用模态应变能变化率方法对一座独塔斜拉桥模型进行了损伤识别实用性研究,识别过程基于动力模态分析,激励方式包括车辆激励、环境激励和冲击激励.从识别得到的各阶试验模态的模态应变能变异指标的计算结果可知:在合适的激励条件下,模态应变能指标可以识别梁式结构主梁的损伤位置和大小关系;激励的充分条件会影响模态应变能指标的识别效果,冲击激励产生的激励较充分,因而损伤识别的效果最好;各阶试验模态包含的损伤信息完备程度不同,建议综合多阶模态应变能变异指标的计算结果进行损伤识别.     

面向混合交通流的智能网联车鸣笛意图识别模型

为使混合交通流(Mixed Traffic Stream,MTS)下智能网联车(Intelligent Connected Vehicle,ICV)实现鸣笛意图(Horn’s Intention,HI)识别,更好地遵循常规车辆(Manual Vehicle, MV)的驾驶意图,提出ICV 对MV 鸣笛声的“ 感知(Perception) - 定位(Location) - 识别 (Recognition)”模型(简称HI-PLR),采用深度卷积-循环神经网络(Deep Convolution Recurrent Neural Network, DCRNN)算法感知鸣笛车辆(Horning Vehicles, HV)的鸣笛声;采用到达时差 (Time Difference of Arrival, TDOA)算法定位HV;再基于运动时间窗(Motion Time Window, MTW)的支持向量机(Support Vector Machine, SVM)算法识别HI.实验结果表明,HI-PLR可使 ICV 对混流中车辆的鸣笛声感知准确率达90.4%,定位角度估计误差小于5°,HI 识别率达 82.5%,为ICV在MTS中的智能驾驶决策提供依据.     

面向混合交通流的智能网联车鸣笛意图识别模型

为使混合交通流(Mixed Traffic Stream，MTS)下智能网联车(Intelligent Connected Vehicle，ICV)实现鸣笛意图(Horn’s Intention，HI)识别，更好地遵循常规车辆(Manual Vehicle， MV)的驾驶意图，提出ICV 对MV 鸣笛声的“ 感知(Perception) — 定位(Location) — 识别 (Recognition)”模型(简称HI-PLR)，采用深度卷积—循环神经网络(Deep Convolution Recurrent Neural Network, DCRNN)算法感知鸣笛车辆(Horning Vehicles, HV)的鸣笛声；采用到达时差 (Time Difference of Arrival, TDOA)算法定位HV；再基于运动时间窗(Motion Time Window, MTW)的支持向量机(Support Vector Machine, SVM)算法识别HI.实验结果表明，HI-PLR可使 ICV 对混流中车辆的鸣笛声感知准确率达90.4%，定位角度估计误差小于5°，HI 识别率达 82.5%，为ICV在MTS中的智能驾驶决策提供依据.