排序方式: 共有43条查询结果,搜索用时 15 毫秒
41.
42.
获得桥面的高分辨率时变流场对研究桥梁风致问题尤为关键,然而受传感器布设与测量方法等因素制约,难以通过试验直接测得高空间分辨率的流场数据。机器学习是流场表征的有效手段,但是数据驱动的训练方法在已知样本较少时难以获得准确的模型。针对此问题,引入流场时程的人工神经网络方法,使用流体控制方程辅助模型训练,通过增加未知测点处的方程约束提高模型的精度,得到了考虑物理约束的桥面风场时程的机器学习重构模型。以低雷诺数桥面绕流为例,实现了基于稀疏已知测点时程数据的模型训练,得到了较好的效果。结果表明:通过引入未知测点处的控制方程约束,可在较少已知时程数据的情况下,获得更准确的桥面风场重构模型,为人工智能方法在风场实测时程数据中的应用提供了基础。 相似文献
43.
通过风洞试验和数值模拟获得主动气动翼板优化控制参数需要庞大的试验和计算成本,并且难以得到最优的翼板控制参数。基于流线箱梁主动气动翼板颤振控制的风洞试验数据,以翼板与主梁扭转运动相位差为输入,颤振临界风速变化比例为输出建立BP人工神经网络模型,对神经网络进行训练得到了主动气动翼板颤振临界风速预测关系。结果表明:预测输出值和实际值之间误差为5%左右,相关系数为0.965;使用训练得到的人工神经网络模型以1°增量对0°~360°范围内的气动翼板相位差进行遍历计算,得到了两侧翼板相位差对主梁-翼板系统颤振性能的影响规律,当迎风侧翼板相位差位于180°~360°内时系统颤振性能得以提高,最优参数组合为迎风翼板相位差231°,背风侧翼板相位差63°;利用获得的最优气动翼板相位差参数组合,建立了主梁-翼板系统流固耦合模型,对试验和神经网络模型的最优参数的颤振控制效果进行验证,证明了神经网络对颤振控制预测的准确性。提出的通过数据量较少的试验数据训练构建人工神经网络模型,构建预测主梁-翼板系统颤振性能的理论框架,显著改善了颤振控制效果,实现了高精度主动气动翼板颤振的优化控制。 相似文献