复杂结构随机模型修正方法研究

To evaluate the serviceability of large complex structures, it is very important to perform the structural health monitoring system Finite Element Model Updating (FEMU) suitable for complex structure is one of the urgent issues of structural health monitoring. FEMU can provide actual structural response for damage identification and condition assessment. However, the existing FEMU methods seldom consider the adverse effects of the uncertainties of structural parameters and responses on the model updating results. So, in-depth investigation on stochastic model updating is crucial. This can improve the reliability of structural dynamic analysis. When stochastic model updating is applied for structural model updating, it is difficult to solve the probabilistic model analytically, and the model updating process is time-consuming. Therefore, this project intends to carry out the following research: (1) Theory of probability and statistics is introduced to build the probability model for quantifying the uncertainties of design parameters. New stochastic simulation methods will be explored to efficiently estimate the probability distribution of design parameters. (2) Improved adaptive surrogate model will be established by using statistical analysis, data fitting and optimization technology. The structural responses are computed. The accuracy and efficiency of the updating method is improved. (3) Test platform of actual structure will be built to evaluate the reliability of the updated results under the influence of uncertainties aroused by multiple sources. The accuracy and robustness of the stochastic model updating is verified. The expected research achievements will provide experience and reference for the future development and improvement of the model updating method in the field of structural health monitoring.

为有效评价大型复杂结构的服役效能，对其进行结构健康监测至关重要。研究适用于复杂结构的有限元模型修正技术，为损伤识别和状态评估提供真实的结构响应，是结构健康监测亟需解决的关键问题之一。但现有有限元模型修正很少考虑结构参数和响应的不确定性对模型修正结果的影响，因此深入研究随机模型修正方法对提高结构动力分析的可靠性至关重要。本项目针对随机模型修正时概率模型难以求取解析解、修正过程耗时等现状，拟开展以下研究：（1）引入概率统计理论建立概率模型来量化设计参数的不确定性，研究高效的随机模拟新方法，估算设计参数的概率分布。（2）综合运用统计分析、数据拟合及优化技术，增强代理模型的自适应性，计算结构响应，提高计算精度和效率。（3）搭建实际结构的试验平台，评价多源不确定因素影响下模型修正的可靠性，验证相关随机模型修正方法的准确性和鲁棒性。成果将为结构健康监测领域模型修正方法的发展和完善提供经验和借鉴。

对大型结构的健康状况进行监测、诊断及评价，及时发现并消除安全隐患，确保结构的安全性和可靠性，是当前国际学术界和工程界普遍关注的热点问题。在结构健康监测中，需要建立精确的有限元模型来揭示在环境耦合作用下实际结构的静动力行为和演化规律。本项目从传感器优化布置、数据采集及预处理、代理模型优化、概率统计、损伤识别和模型修正等方面进行了一体化研究，主要开展了以下研究内容：.引入概率统计理论建立更合理的概率模型；开发适用于复杂概率密度函数的随机抽样算法；探索代理模型构造新方法；设计并开展复杂工程结构的相关试验验证。.围绕上述研究内容，本项目系统地从概率统计、随机模拟、代理模型优化等角度研究了复杂结构模型修正方法，推动了有限元法在结构健康监测中的应用和发展。所取得的主要研究成果和创新点如下：.（1）研究传感器布置优化准则的适应性评价体系，提出了融合智能优化算法的传感器布置优化方法，实现了传感器布置位置和数量的双重优化，并探索了结合变分模态分解和随机子空间的模态识别方法，为结构有限元模型修正奠定研究基础。.（2）综合应用优化技术及数据拟合原理，分析比较代理模型建模方法和适用条件，提出了更优的建模方法，为实际结构构造高精度的代理模型，提高了整体的模型修正效率。.（3）应用信号处理领域的奇异值分解、小波变换以及数学领域的Neumann级数展开等手段，将复杂的响应矩阵进行降维，在保证模型修正精度的同时有效提高抗噪性。.（4）提出了基于概率分布相似性度量指标和改进智能优化算法的随机模型修正新方法，将不确定性模型修正转化为一系列确定性模型修正，较好地实现了修正参数分布均值和标准差的修正。.（5）结合统计理论、智能优化等领域的最新研究成果，提出了融合熵值法和智能优化原理的随机抽样新方法，显著提高了后验样本的接受概率，为参数维度高、复杂性大的后验概率密度函数的求解提供了新思路。.（6）搭建了模态测试试验平台开展试验验证，同时利用信号分解、卡尔曼滤波等方法对结构损伤识别、结构响应重构技术进行了初步探索。.经过4年的研究，基本完成了计划书的研究内容，获得了一系列适用于复杂工程结构的模型修正新方法。在国内外高水平期刊和国际学术会议上发表（含收录）学术论文39篇，其中SCI收录7篇，EI收录13篇，其它论文绝大部分在中文核心以上刊物发表，同时培养博士研究生4名，硕士研究生20名。